PHP AI 进阶·第三层：RAG 知识库——让 AI 「懂你」

“

总进度：第 5-6 周 | 每天 30-45 分钟

第二层走完，Agent 能调工具、查数据库。

但是获取不到实际业务需要的知识，RAG 就是来解这个问题。

学习成果

• 搭一套能用的 RAG 知识库
• 把产品文档/技术手册变成 Agent 的「长期记忆」
• 实现「提问 → 搜资料 → LLM 回答」的完整链路
• 掌握分块、缓存、重排序这些生产要点

RAG 介绍

RAG 全称为Retrieval-Augmented Generation 检索增强生成。

执行流程：

用户提问 → 转成向量 → 知识库里搜最像的 3-5 段 → 拼成 prompt → 扔给 LLM 回答

没有 RAG：Agent 靠训练记忆瞎编。

有 RAG：Agent 基于你的实际资料回答，准、有时效、能查来源。

14 天学习路径

第 1-3 天：向量数据库入门 + pgvector

学习内容

向量（embedding）就是一段浮点数，用来表示文本的"意思"。

意思相近的文本，向量距离就近。

比如「苹果是水果」和「苹果是公司」距离远，但「iPhone 价格」和「苹果是公司」距离近——这就是向量搜索能做语义匹配的原因。

装 pgvector（PostgreSQL 的向量插件，生产级，不用额外装一套数据库），建个带向量字段的表，加个索引提速。

视频：

• pgvector 官方文档 — 查就完事
• 🐍 RAG 企业知识库搭建教程 — 前 1 小时看向量数据库概念

第 4-6 天：Embedding + 缓存策略

学习内容

把文档转成向量存起来。

三种嵌入策略：全量预嵌入（文档定稿了一次搞定）、懒加载 + 缓存（用户生成内容，第二次免费）、批处理（大文档导入，省 20-40%）。

重点是缓存—— 调 Embedding API 要花钱的（约 $0.13/1M tokens）。

用 Cache::remember + md5 做去重，第一次花钱，后续免费。

视频：

• Laravel AI SDK Embedding 文档 — 20 分钟，API 参考
• 🐍 RAG 企业知识库教程（2026最新） — 看嵌入章节

第 7-9 天：语义相似度搜索

学习内容

用向量搜最相关的内容。

whereVectorSimilarTo 一行搞定：用户提问 → 转向量 → 按相似度排序 → 取 Top-5。

已经有 Agent 的话，直接注册 SimilaritySearch 工具，Agent 自动搜知识库再回答——不再是瞎编，是你文档里真正写过的。

视频：

• 🐍 RAG 企业知识库搭建教程 — 看相似度搜索实操
• PHPVector：纯 PHP 向量数据库 — 8 分钟，了解 HNSW + BM25 原理

第 10-12 天：分块策略 + 元数据保留 + 重排序

学习内容

从「能用」到「好用」。

分块原因

太长文本转成向量后信息被"平均"了，搜不准。

200-500 token 的段落最精确。

三种分块：

• 按段落分（文章类）
• 按 Token 数分（技术文档，推荐 300 token + 50 重叠）
• 按章节分（手册类）

保留元数据

每段记下来源（文档名、章节），Agent 回答时能引用。

重排序

向量先粗筛 20 条，再用 Rerank 模型精排取 3 条，比单纯看向量距离准得多。

视频：

• 🐍 RAG 企业知识库搭建教程 — 看分块和重排序
• 🐍 RAG 企业知识库教程（2026最新） — BM25 混合搜索实战

第 13-14 天：实战项目——产品文档 RAG 知识库

学习内容

把公司产品文档做成一个 @机器人即问即答的 RAG 系统。

写个导入命令（读文件 → 拆段落 → 生成向量 → 存库），建个 Agent 工具自动检索，再通过 Webhook 接入群聊。

效果

同事不用翻文档了，群里 @机器人 就有答案，还能看来源。

视频：

• 🐍 RAG 企业知识库搭建教程 — 完整跟一遍，~5 小时
• 🐍 RAG 企业知识库教程（2026最新） — ~4 小时，补充理解

配套视频汇总

生产注意

1. 缓存嵌入

别反复调 Embedding API，又贵又慢。

用 Cache::remember + md5 去重。

2. 分块别太细也别太粗

推荐 300 token + 50 重叠起步。

3. 定期更新

文档会变。

设个定时任务每周重建一次嵌入。

4. 不用 pgvector 的话

常见问题

Q：RAG 和微调有啥区别？

A：RAG 不改变模型，查询时补充上下文。微调是改模型参数。RAG 适合知识常变的场景（文档、政策），微调适合改语气风格。 多数场景 RAG 性价比高得多。

Q：调 Embedding 要花钱咋办？

A：缓存。第一次花，后面免费。产品文档一次性预嵌入，终身用。

Q：100 万条数据搜得快吗？

A：快。pgvector + IVFFlat 索引下，10ms 级别。

Q：回答能附引用吗？

A：能。元数据存了来源，prompt 里让 Agent 加上就行。

下一步

第三层走完，Agent 既能干又懂你。

若客户要求「我要退货，顺便看看有没有优惠券」应该涉及到售后加营销。

让一个 Agent 管所有事，prompt 臃肿，LLM 容易选错工具。

第四层：多 Agent 编排——让 AI 学会团队协作。

进阶路线图系列：

• ✅ 第一层：模型调用
• ✅ 第二层：Agent 构建
• ✅ 第三层：RAG 知识库（本篇）
• ⬜ 第四层：多 Agent 编排（即将发布）