前两天，我觉得工作有些不太稳定。于是打开了 Boss，想看看市面上有什么好的工作机会，给自己找找后路。
这不看还不打紧，看过之后发现，岗位的要求怎么都这么高？
全栈和Agent开发都是要求有2~3年的相关工作经验要求。我想着，这全栈工程师嘛，确实得要求相关工作经验比较多，毕竟工作栈比较多，需要时间沉淀。
可这 Agent 不也才火1年多点儿吗？怎么连 Agent 工程师也要求有2~3年的相关工作经验？这还得要求求职者提前布局是咋滴？
好吧~吐槽归吐槽。我还是发现这些要求的技术栈中有个跟向量数据库相关的技术-RAG ，我没太用过。
趁着最近有空，我开始尝试本地构建。
MVP
我认为做RAG也应该从最小的可用系统开始做。毕竟技术的进化本质是一个循序渐进的过程，刚开始的时候从MVP入手，持续得到激励，可以让兴趣保留的时间长久点~
RAG的第一步 ,我感觉不是做技术选型。应该是找到一个使用场景，然后针对这个场景进行系统设计。
这不，我最近大半年喜欢上了手冲咖啡。很多时候我不太会选豆子，都是看小红书或者淘宝的推荐。但是，推荐的豆子，里面的很多参数我都看不懂。产地、豆种、烘焙程度、风味等等，看的头都是大的。
所以，一开始我想做一款能帮我选豆子的Chat Bot。但是，真实的场景中其实不太会为这个场景单独设计一个 Chat Bot，更多的场景应该是作为一个店铺助手，帮助客户了解店铺以及店铺的场景。
**RAG的第二步，收集数据。**既然我的目的是设计一个店铺助手，那我应该是找到一款产品以及其背后的店铺相关的信息。我从淘宝上找到了我之前喝过的一款豆子，接着我又把它背后的店铺信息也抓取下来。
然后，考虑到有时候会有冲煮的建议，我让AI生成了一份针对不同烘焙程度的豆子的冲煮技巧。
RAG的第三步，整合进LLM的上下文里面。
代码我就不贴了，Chroma + 自定义 Pipline（使用 LangChain也行）。有兴趣的可以看我的git(https://github.com/dkisser/rag_learn).
这个MVP只是起点。我觉得需要知道面向大规模生产环境使用的话肯定不是这样的架构，毕竟Chroma不适合生产环境去使用。
而且，RAG其实又很多进阶技巧（https://milvus.io/docs/zh/how_to_enhance_your_rag.md）。一个成熟的RAG，不应该是有系统本身，还应该需要配合一些评估系统去不停地迭代优化。