大模型应用：RAG与向量数据库结合Ollama调用模型深度融合全解析.27

minhuan2025-12-18 17:53

一、引言

通过多篇博文我们也反复介绍说明了大模型知识滞后、生成幻觉成为制约智能问答、企业知识库等场景落地的核心痛点，检索增强生成（RAG）技术通过"外部知识检索 + LLM 生成" 的模式，为解决这些问题提供了关键思路，而向量数据库则是 RAG 发挥价值的核心底座。今天我们从一个新的视角，以本地员工手册智能问答系统为内容载体，从基础概念到实践，系统拆解 RAG 与向量数据库的深度融合逻辑，同时引入 Ollama 这一轻量级本地大模型运行工具，增加实用性和便捷性。

Ollama 作为开源的本地大模型运行框架，能够一键部署、自定义配置通义千问、Llama3 等主流模型，无需依赖云端算力，既保障了数据隐私，又降低了技术落地成本。今天我们从文档智能分块、向量入库、RAG 问答链搭建到调试优化，通过 FAISS 构建轻量级向量库，解决非结构化文本的语义检索问题；借助 Ollama 实现本地 LLM 的灵活调用，结合调试输出直观呈现检索、生成全流程的关键细节。

二、基础概念回顾

1. RAG（检索增强生成）

RAG 全称为 Retrieval-Augmented Generation，是一种将外部知识库检索与大模型生成相结合的技术框架。简单来说，它就像带参考书考试的学生，生成答案前先从外部知识源中查找相关信息，再结合自身能力组织语言输出。

  • **核心解决的问题：**大模型存在知识滞后，受限于训练数据截止时间、易产生幻觉编造虚假信息、领域知识不足、微调成本高等痛点，RAG 通过实时调用外部知识，无需重新训练模型即可弥补这些缺陷。
  • **核心流程：**可概括为"检索 - 增强 - 生成"三步。先检索外部相关知识，再将知识作为上下文补充给大模型，最后由大模型生成准确回答。

2. 向量数据库

向量数据库是专门用于存储、管理和高效检索高维向量数据的数据库系统。计算机无法直接理解文本、图像等非结构化数据，而向量数据库能通过嵌入模型将这些数据转化为类似 "数字指纹" 的高维向量，再通过相似度算法实现快速检索。

  • **核心优势：**区别于传统数据库的关键词匹配，向量数据库支持语义级搜索。例如 "苹果手机" 和 "iPhone" 虽关键词不同，但语义相近，其向量距离会很小，可被精准匹配到。
  • **核心技术：**依赖嵌入模型（如 BGE、Sentence-BERT）完成数据向量化，依靠余弦相似度等算法计算向量相似度，通过 HNSW、IVF 等索引算法实现亿级向量的毫秒级检索。

3. Ollama介绍

Ollama 是一款开源、轻量级的本地大模型运行与管理工具，核心定位是让普通开发者和中小企业能够以极低的成本、零门槛在本地环境部署和使用主流大模型。它并非自研大模型，而是搭建了一套简洁的模型运行框架，将模型下载、环境配置、参数调优、服务启动等复杂流程封装为简单的命令行操作，大幅降低了大模型本地化落地的技术门槛。

Ollama 的价值体现：

    1. 部署极简，无需手动配置 CUDA、依赖库等复杂环境，通过一行命令即可拉取并启动通义千问、Llama3、Phi-3 等数十种主流大模型，即使是非技术人员也能快速上手；
    1. 灵活性高，支持自定义模型参数，比如调整温度值控制生成随机性、扩展上下文窗口提升长文本处理能力，还能通过编写 Modelfile 文件组合、微调模型，适配不同业务场景需求；
    1. 隐私性强，所有模型推理过程均在本地完成，无需将数据上传至云端，完美适配企业内部知识库、敏感业务问答等对数据安全要求高的场景；
    1. 轻量化运行，针对轻量级模型做了深度优化，即使在普通个人电脑或低配服务器上也能流畅运行，大幅降低了硬件成本，避免了依赖云端 API 的长期费用支出。

在实际应用中，Ollama 常与 RAG、向量数据库组合使用：

  • 作为 RAG 系统的生成端，它能接收向量数据库检索到的精准上下文，快速生成贴合业务的回答，既发挥了 RAG "检索增强" 的精准性，又借助本地部署的优势保障了响应速度和数据安全。
  • 无论是验证大模型应用逻辑，还是搭建私有化智能问答系统，Ollama 都能以"低成本、易操作、高安全"的特性，成为连接大模型与实际业务的高效桥梁。

4. 融合的核心意义

向量数据库是 RAG 系统的 "记忆中枢"：

  • RAG 的检索环节若依赖传统数据库，会因语义理解能力不足导致检索精度低；
  • 而向量数据库提供的高效语义检索能力，能让 RAG 快速从海量外部知识中定位核心信息。

二者融合后，既发挥了 RAG"灵活调用外部知识"的优势，又借助向量数据库解决了 RAG 检索效率和精度的核心问题，成为搭建实用智能问答、知识库系统的黄金组合。

三、融合的核心逻辑

RAG 与向量数据库的融合贯穿于整个 RAG 系统的离线建库和在线问答全流程，每个环节的优化都直接影响系统性能，具体可分为两大阶段。

1. 离线建库阶段

构建可检索的知识底座，该阶段的核心是将非结构化知识转化为向量数据库可存储、可检索的格式，为后续检索做准备，步骤如下：

  • **1. 数据收集与预处理：**整合 PDF、Word、网页文本等多源知识，剔除重复、无效内容（如格式错乱的字符、无意义的页眉页脚）。
  • **2. 文本智能分块：**长文本直接向量化易丢失语义，需拆分为语义完整的小块。例如按 "章节""条款" 等锚点拆分法律文档，按段落拆分技术手册，同时设置 5%-20% 的文本重叠率，避免语义断裂。
  • **3. 文本向量化：**使用嵌入模型（如我们一直使用的本地开源的 all-MiniLM-L6-v2）将每个文本块转化为高维向量。同一系统需固定嵌入模型，确保查询向量与存储向量的格式一致。
  • **4. 向量入库与索引构建：**将向量及对应的原始文本、元数据（如文档类型、更新时间）存入向量数据库，并构建索引。例如用 HNSW 索引适配高并发检索场景，用 IVF 索引适配亿级数据场景。

2. 在线问答阶段

实时检索与智能生成，用户发起查询时，二者通过协同完成从查询到回答的全链路流程，步骤如下：

  • **1. 查询向量化：**用户输入自然语言查询（如 "公司年假政策是什么"），通过与离线建库阶段相同的嵌入模型，将查询转化为向量。
  • **2. 相似向量检索：**向量数据库接收查询向量后，通过相似度算法检索出 Top-K 个最相关的向量，对应到原始文本块。
  • **3. 上下文增强：**RAG 将检索到的文本块作为上下文，与用户原始查询整合为增强提示词。
  • **4. 生成最终回答：**将增强提示词输入 LLM，由 LLM 结合上下文生成兼顾准确性和可读性的回答，同时可标注信息来源，提升可信度。

3. 融合的关键点

  • **混合检索策略：**向量检索搭配关键词检索，例如检索 "某型号手机售后政策" 时，向量检索匹配语义，关键词检索锁定 "型号""售后" 等核心词，降低检索噪声。
  • **元数据过滤增强：**为向量添加业务标签（如产品型号、更新时间），检索时可通过元数据快速筛选范围。例如筛选 "2025 年更新的家电售后文档"，大幅提升检索效率。
  • **检索结果重排：**用 CrossEncoder 等模型对向量数据库返回的 Top-K 结果二次排序，修正仅靠向量相似度导致的偏差，例如区分 "苹果手机售后" 和 "苹果水果供应链售后" 的差异。

四、Ollama部署与应用

1. 部署及应用

访问 Ollama 官方网站，根据自身系统选择对应安装包，下载 OllamaSetup.exe 安装文件；

双击安装包，按提示完成下一步安装（默认路径即可，无需额外配置），完成基础安装；

打开终端/命令提示符，执行 ：

  • ollama -v：输出版本号，即表示安装成功
  • ollama ps：查看Ollama中正正运行的模型
  • ollama run deepseek-r1:1.5b：运行指定模型
  • ollama pull deepseek-r1:1.5b：当模型不存在时，运行指定命令下载模型，如下载deepseek-r1:1.5b 模型

本示例使用的比较小的模型deepseek-r1:1.5b部署，第一次通过ollama pull deepseek-r1:1.5b 命令进行下载，下载完后通过ollama run deepseek-r1:1.5b运行即可；

Ollama的部署应用明细可参考《构建AI智能体：二、DeepSeek的Ollama部署FastAPI封装调用》

2. 扩展说明

2.1 多模型切换

python 复制代码 
# 支持动态切换模型（如qwen2:1.5b、llama3:8b）
def switch_llm(model_name):
    return Ollama(model=model_name, temperature=0.1)
llm_1.5b = switch_llm("qwen2:1.5b")

2.2 流式输出

python 复制代码 
# 流式回答（逐字输出）
from langchain_core.callbacks import StreamingStdOutCallbackHandler
llm_stream = Ollama(model="deepseek-r1:1.5b", callbacks=[StreamingStdOutCallbackHandler()])
llm_stream.invoke("请详细说明年假政策")

五、示例：本地文档智能问答系统

1. 文档示例内容

员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带薪年假。

请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。

加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。

新增冗余内容（用于调试检索过滤效果）

办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。

团建活动规则：每季度部门可申请1次团建经费，上限5000元。

2. 完整示例过程

2.1 加载文档并智能分块

python 复制代码 
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from rich import print  # 美化调试输出

# 加载本地文档
loader = TextLoader("knowledge.txt", encoding="utf-8")
documents = loader.load()
print(f"【调试】原始文档加载结果：\n{documents}\n")

# 文本分块：100字符/块，50字符重叠率
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=100,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "！", "？", "，", "、"]  # 新增中文分隔符优化
)
chunks = text_splitter.split_documents(documents)

# 调试输出：分块数量+每个块内容
print(f"【调试】文本分块总数：{len(chunks)}")
for i, chunk in enumerate(chunks):
    print(f"【调试】第{i+1}个分块内容：\n{chunk.page_content}\n---")

输出结果：

【调试】原始文档加载结果：

Document(metadata={'source': 'knowledge.txt'}, page_content='员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以 上，每年享有15天带薪年假。\\n请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的， 需24小时内补提申请。\\n加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。\\n# 新增冗余内容（用于调试检索过滤效果）\\n办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。\\n团建活动规则：每季度部门可申 请1次团建经费，上限5000元。')

【调试】文本分块总数：4
【调试】第1个分块内容：

员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带薪年假。

【调试】第2个分块内容：

请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。

【调试】第3个分块内容：

加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。

新增冗余内容（用于调试检索过滤效果）

办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。

【调试】第4个分块内容：

办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。

团建活动规则：每季度部门可申请1次团建经费，上限5000元。

2.2 构建向量数据库并入库

python 复制代码 
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
import numpy as np

# 初始化嵌入模型（新增模型参数优化）
embeddings = HuggingFaceEmbeddings(
    model_name="D:/modelscope/hub/models/sentence-transformers/all-MiniLM-L6-v2",
    model_kwargs={'device': 'cpu'},  # 指定CPU运行（无GPU时）
    encode_kwargs={'normalize_embeddings': True}  # 归一化向量，提升相似度计算精度
)

# 为分块添加元数据（扩展：便于后续过滤）
for i, chunk in enumerate(chunks):
    chunk.metadata.update({
        "chunk_id": i+1,
        "content_type": "employee_rule",
        "update_time": "2025-12-17"
    })

# 文本块向量化并构建FAISS向量库
vectorstore = FAISS.from_documents(chunks, embeddings)

# 调试：查看向量维度+相似度计算示例
sample_chunk = chunks[0]
sample_vector = embeddings.embed_query(sample_chunk.page_content)
print(f"【调试】单个文本块向量维度：{len(sample_vector)}")
print(f"【调试】向量前10位数值：{np.round(sample_vector[:10], 4)}\n")

# 调试：测试相似性检索
query = "入职5年年假有多少天"
retrieved_docs = vectorstore.similarity_search(query, k=2)
print(f"【调试】测试检索结果（查询：{query}）：")
retrieved_docs_with_scores = vectorstore.similarity_search_with_score(query, k=2)
for doc, score in retrieved_docs_with_scores:
    print(f"- 匹配分块：{doc.page_content}（相似度：{score:.4f}）")

# 保存向量库到本地
vectorstore.save_local("local_faiss_index")
print("\n【调试】向量库已保存到 local_faiss_index 目录")

输出结果：

【调试】单个文本块向量维度：384

【调试】向量前10位数值：[ 0.0227 0.0214 0.0536 0.0264 -0.0132 0.0831 -0.0024 -0.0287 -0.0151

0.0242]

【调试】测试检索结果（查询：入职5年年假有多少天）：

匹配分块：员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，

每年享有15天带薪年假。（相似度：0.5489）

匹配分块：请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请

。（相似度：0.6494）

【调试】向量库已保存到 local_faiss_index 目录

2.3 搭建 RAG 问答链

python 复制代码 
from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.runnables import RunnableConfig

# 初始化Ollama LLM（扩展：自定义参数）
llm = Ollama(
    model="deepseek-r1:1.5b",  # 使用自定义模型（或qwen2:0.5b）
    temperature=0.1,       # 低温度=低随机性
    num_ctx=4096,          # 扩展上下文窗口
    timeout=30             # 超时时间（避免模型响应过慢）
)

# 调试：测试LLM基础调用
test_prompt = "你是谁？请用一句话回答"
llm_response = llm.invoke(test_prompt)
print(f"【调试】LLM基础调用测试：\n提问：{test_prompt}\n回答：{llm_response}\n")

# 定义提示模板（增强：明确来源标注）
prompt = ChatPromptTemplate.from_template(
    "请严格根据以下上下文内容回答用户问题，禁止编造任何信息。\n"
    "上下文来源：员工手册（2025版）\n"
    "上下文内容：{context}\n\n"
    "用户问题：{input}\n"
    "回答要求：1. 仅使用上下文信息；2. 简洁明了；3. 标注信息对应的规则类型。"
)

# 创建文档整合链
document_chain = create_stuff_documents_chain(llm, prompt)

# 加载本地向量库并转为检索器（扩展：添加元数据过滤）
retriever = FAISS.load_local(
    "local_faiss_index", 
    embeddings,
    allow_dangerous_deserialization=True
).as_retriever(
    search_kwargs={
        "k": 2,  # 检索Top2
        "filter": {"content_type": "employee_rule"}  # 仅检索员工规则类内容
    }
)

# 构建完整RAG问答链
retrieval_chain = create_retrieval_chain(retriever, document_chain)

# 调试：查看检索链结构
print(f"【调试】RAG链结构：\n{retrieval_chain.get_graph().draw_ascii()}\n")

输出结果：

【调试】LLM基础调用测试：

提问：你是谁？请用一句话回答

回答：<think>

您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。

</think>

您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。

【调试】RAG链结构：

+------------------------+

| Parallel<context>Input |

+------------------------+

*** ***

** **

** **

+--------+ **

| Lambda | *

+--------+ *

* *

* *

* *

+----------------------+ +-------------+

| VectorStoreRetriever | | Passthrough |

+----------------------+ +-------------+

***************************省略*********************

完整的RAG链结构：

RAG 链结构总结：

该 RAG 链是一套并行化设计的检索增强生成架构，核心特点是通过多分支并行处理、分层式数据流转，兼顾检索精准性与成效率，整体可拆解为三大核心阶段，各环节分工明确且协同高效：

1. 并行检索阶段（上游）

以Parallel<context>Input为统一输入入口，拆分为两条并行分支：

  • **核心检索分支：**通过Lambda（匿名函数）处理用户查询（如清洗、标准化）后，传入VectorStoreRetriever（向量库检索器），完成核心语义检索，获取与问题匹配的知识库上下文；
  • 透传分支： 通过Passthrough（透传组件）直接保留原始查询，不做修改。
    两条分支结果汇总至Parallel<context>Output，既保证检索到精准上下文，又保留原始查询的完整性，为后续生成提供双维度输入。

2. 提示构建阶段（中游）

检索结果与原始查询进入Parallel<answer>Input后，再次拆分并行分支处理：

  • 上下文加工分支：检索到的上下文经PromptTemplate格式化（如添加 "基于以下上下文回答" 等指令）；
  • 查询透传分支：原始查询继续通过Passthrough保留。
    两者汇总至Parallel<context>Output后，统一传入ChatPromptTemplate（对话提示模板），拼接成 "指令 + 上下文 + 原始查询" 的完整提示词，确保 Ollama 生成时既有明确规则约束，又有精准上下文支撑。

3. 生成输出阶段（下游）

完整提示词传入Ollama（本地大模型）完成回答生成，生成结果经StrOutputParser（字符串输出解析器）格式化后，与透传的原始查询再次汇总至Parallel<answer>Output，最终输出 "原始问题 + 精准回答" 的完整结果。

简单总结：

  • **并行化设计：**检索、提示构建环节均采用 "核心处理 + 透传" 并行分支，既保证关键步骤的加工效果，又保留原始数据，避免信息丢失；
  • **分层清晰：**检索、提示、生成三阶段边界明确，检索聚焦 "找对信息"，提示聚焦 "规范输入"，生成聚焦 "精准回答"，便于调试和优化；
  • **轻量化落地：**基于 Ollama 本地运行模型，结合向量检索，既保障数据隐私（全流程本地处理），又通过组件化设计降低架构复杂度，适合私有化部署场景。

2.4 实现交互问答

python 复制代码 
print("="*50)
print("本地智能问答助手已启动（输入'quit'退出，输入'debug'查看检索详情）")
print("="*50)

while True:
    user_question = input("\n请提问：")
    if user_question.lower() == "quit":
        print("助手已关闭！")
        break
    if user_question.lower() == "debug":
        print("\n【调试模式】当前检索器配置：")
        print(f"- 检索数量k：{retriever.search_kwargs['k']}")
        print(f"- 元数据过滤条件：{retriever.search_kwargs.get('filter', '无')}")
        print(f"- 向量库文档总数：{len(vectorstore.index_to_docstore_id)}")
        continue
    
    # 调用问答链并记录耗时
    import time
    start_time = time.time()
    result = retrieval_chain.invoke({"input": user_question})
    end_time = time.time()
    
    # 详细调试输出
    print("\n" + "-"*30 + "调试信息" + "-"*30)
    print(f"【调试】检索到的上下文：")
    for i, doc in enumerate(result["context"]):
        print(f"  {i+1}. {doc.page_content}（元数据：{doc.metadata}）")
    print(f"【调试】回答生成耗时：{end_time - start_time:.2f}秒")
    print("-"*66)
    
    # 最终回答输出
    print(f"\n回答：{result['answer']}")

输出结果：

==================================================

本地智能问答助手已启动（输入'quit'退出，输入'debug'查看检索详情）

==================================================

请提问：入职5年的正式员工有多少天年假？

------------------------------调试信息------------------------------

【调试】检索到的上下文：

1.员工年假政策：正式员工入职满1年不满3年，每年享有5天带薪年假；入职满3年不满10年，每年享有10天带薪年假；入职满10年及以上，每年享有15天带 薪年假。

（元数据：{'source': 'knowledge.txt', 'chunk_id': 1, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）

2.请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。

（元数据：{'source': 'knowledge.txt', 'chunk_id': 2, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）

【调试】回答生成耗时：18.78秒

回答：<think>

好的，我现在需要解决用户的问题："入职5年的正式员工有多少天年假？"首先，我要仔细阅读提供的上下文内容，确保理解所有相关的政策和规定。

根据上下文来源，特别是"员工年假政策"，我了解到正式员工的年假安排是基于入职时间的不同阶段。具体来说：

  1. **入职满1年不满3年**：每年享有5天带薪年假。

  2. **入职满3年不满10年**：每年享有10天带薪年假。

  3. **入职满10年及以上**：每年享有15天带薪年假。

现在，问题中的员工是入职了5年。根据第二条政策，入职满3年不满10年，所以他们的年假是10天。接下来，我需要确认是否有其他相关的规则或例外情况影响这个结果。

在"请假流程"部分提到，员工必须提前3天通过企业OA提交申请，并经直属领导审批才能生效。这里的信息可能会影响是否可以享受年假，但根据上下文内容，年假的发放是基于入职时间的，而不是请假的具体安排。因此，即使有请假的情况，年假的发放仍然按照入职满1年的标准来计算。

此外，紧急情况无法提前申请的员工需要24小时内补提申请，这可能影响他们的年假享受，但同样，根据政策，他们仍然可以享受相应的年假天数。

综上所述，入职5年的正式员工应享有10天带薪年假。因此，回答时应该明确指出这一点，并标注对应的规则类型。

</think>

根据"员工年假政策"，入职满3年不满10年，员工每年享有10天带薪年假。因此，入职5年的正式员工有10天年假。

**答案：10天**

请提问：加班调休有效期是多久？

------------------------------调试信息------------------------------

【调试】检索到的上下文：

  1. 加班调休规则：工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。

新增冗余内容（用于调试检索过滤效果）

办公用品申领：每月5号可提交申领表，限领笔、笔记本等基础用品。（元数据：{'source': 'knowledge.txt', 'chunk_id': 3, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）

2.请假流程：员工请假需提前3天通过企业OA提交申请，经直属领导审批通过后方可生效。紧急情况无法提前申请的，需24小时内补提申请。（元数据：{'source': 'knowledge.txt', 'chunk_id': 2, 'content_type': 'employee_rule', 'update_time': '2025-12-17'}）

【调试】回答生成耗时：10.93秒

回答：<think>

好的，我现在需要解决用户的问题："加班调休有效期是多久？"根据提供的上下文和规则，我得仔细分析。

首先，查看上下文来源：员工手册（2025版）。里面明确提到"工作日加班可按1:1比例申请调休，调休需在加班后3个月内使用完毕，逾期作废。"

这里提到了"3个月"，所以直接引用这个信息作为回答。

接下来，用户的问题是关于有效期的，而规则中也明确说明了调休的有效期是3个月。因此，回答应该直接引用这条规则，不需要添加额外的信息或冗余内容。

最后，确保回答简洁明了，并且标注对应规则类型，这里就是加班调休规则。

</think>

根据员工手册（2025版）中的规则，加班调休有效期为3个月。

请提问：debug

【调试模式】当前检索器配置：

  • 检索数量k：2

  • 元数据过滤条件：{'content_type': 'employee_rule'}

  • 向量库文档总数：4

请提问：quit

助手已关闭！

2.5 检索效果评估

python 复制代码 
# 计算检索准确率（人工标注+自动化验证）
test_cases = [
    ("入职5年年假", ["10天带薪年假"]),
    ("加班调休有效期", ["3个月内使用完毕"])
]
def evaluate_retrieval(query, expected_answer):
    result = retrieval_chain.invoke({"input": query})
    return 1 if any(ans in result["answer"] for ans in expected_answer) else 0
# 计算整体准确率
accuracy = sum(evaluate_retrieval(q, e) for q, e in test_cases) / len(test_cases)
print(f"【调试】检索准确率：{accuracy*100}%")

输出结果：

【调试】检索准确率：100.0%

六、总结

今天我们完整呈现了 RAG 与向量数据库的深度融合应用，核心价值在于将抽象的技术逻辑转化为可落地的实战示例，同时借助 Ollama 让本地大模型部署与 RAG 结合更具实用性。

向量数据库作为 RAG 的 "记忆中枢"，解决了非结构化文本的语义检索难题，而合理的文本分块、元数据过滤、相似度调试等优化手段，进一步提升了检索精度；Ollama轻量化部署、自定义模型参数的特性，让我们也能低成本搭建私有化 RAG 系统，兼顾数据安全与响应效率。

相关推荐
明阳～2 天前
Milvus向量数据库：AI时代的向量搜索利器
agent·milvus·向量数据库·rag
般若Neo3 天前
企业级大模型开发及应用 - 企业应用大模型的方法
大模型·大模型应用·企业级大模型
minhuan4 天前
大模型应用：LlamaIndex、LangChain 与 LangGraph 细节深度、协同应用.24
langchain·llamaindex·大模型应用·langgraph
minhuan5 天前
大模型应用：TTA文本驱动音频：MusicGen大模型参数调优+音频情绪可视化.23
大模型应用·musicgen模型应用·tta·文本生成音频
华东设计之美6 天前
muti-Agent+RAG+KnowledgeGraph构建智能问诊系统的可行性分析
人工智能·软件开发·rag·大模型应用·增强检索生成
HyperAI超神经6 天前
活动回顾丨 北大/清华/Zilliz/MoonBit共话开源，覆盖视频生成/视觉理解/向量数据库/AI原生编程语言
人工智能·ai·开源·编程语言·向量数据库·视频生成·视觉理解
新知图书6 天前
智能体的自适应学习
人工智能·ai agent·智能体·大模型应用开发·大模型应用
minhuan8 天前
大模型应用：基于 SpeechT5 的自媒体多角色剧情配音系统：架构、细节与实践.20
多模态模型·大模型应用·speecht5模型·剧情配音系统·tts模型应用
漫谈网络10 天前
向量数据库存储的是什么？向量本身还是原始数据ID
ai·aigc·向量数据库
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03Linux下V2Ray安装配置指南04在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）05BongoCat - 跨平台键盘猫动画工具06Neo4j（一） - Neo4j安装教程（Windows）07【AutoGLM部署】本地私有化部署AI手机Agent08安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）09Cursor 又偷偷更新，这个功能太实用：Visual Editor for Cursor Browser10Open-AutoGLM Windows 安装部署教程