从零构建 RAG 系统：pguso/rag-from-scratch 深度解析

场景切入：为什么 RAG 总是"黑箱"？

想象你向一个 AI 助手提问："公司去年 Q3 的收入是多少？"它回答得头头是道，但你追问数据来源，它却支支吾吾——因为它根本没有访问你公司数据库的权限。这就是 RAG（检索增强生成）要解决的核心问题：让大语言模型在回答问题前，先去"图书馆"查一查真实资料。

然而，大多数 RAG 教程上来就甩给你 LangChain 的 API 调用、Chroma 向量数据库的连接方式，底层原理一概不提。你调用的是 chain.invoke()，但 Embedding 怎么把文字变成数字？向量检索为什么能找到"语义相似"的内容？Context 怎么拼进 Prompt？——全是黑箱。

pguso/rag-from-scratch 正是为打破这个黑箱而生。这个 GitHub 项目用纯 Node.js 从零实现 RAG 的每一个环节：不依赖 LangChain、不调用云端 API、不使用第三方向量库，所有代码都是教学导向，每一行都有详细注释。

项目背景：从"AI Agents 从零实现"到"RAG 从零实现"

本项目作者 pguso 是一位活跃的 GitHub 开发者，他的核心理念可以概括为一句话："让 AI 工具的可理解性和可访问性回到开发者手中"。

pguso 的成名作是 ai-agents-from-scratch，该项目同样从零实现了 AI Agent 的核心组件（ReAct、Tool Use、Memory 等），获得了数千 star。在此基础上，他选择继续深耕 RAG 领域，推出了本项目。

RAG 之所以值得单独成项目，是因为它虽然概念简单，但实现细节极其繁杂：

Embedding 模型怎么选？用 OpenAI 的还是本地部署的？
文档怎么切分？固定字数还是语义切分？
向量数据库用哪个？Chroma？Milvus？还是自己实现一个轻量版？
检索出来的 Context 怎么和用户问题拼成最终 Prompt？
Re-ranking 怎么做？如何过滤噪声结果？

每一个问题都有无数种解法，但没有哪个教程会告诉你"为什么这样选"。本项目就是要填上这个坑。

核心架构：模块化 RAG 流水线

项目采用典型的模块化架构，将 RAG 流水线拆分为六个核心模块，每个模块都可以独立使用或替换：

1. Loaders（文档加载器）

负责将各种格式的原始数据加载为统一格式。目前支持：

PDF 解析（pdf-parse）：从 PDF 文件中提取文本
文本文件：直接读取 .txt、.md 等纯文本

2. Text Splitters（文本切分器）

将长文档切分为适合 Embedding 的小块（Chunk）。切分策略直接影响检索质量：

固定长度切分：按字符数或 token 数硬切，简单但可能切断句子
递归字符切分：优先按段落切，实在不够再按句子切，保留语义完整性

3. Embeddings（向量嵌入）

将文本转换为高维向量。项目同时支持两种方案：

本地方案（node-llama-cpp）：

使用量化后的 GGUF 格式模型（如 Qwen3-1.7B）
纯本地运行，不依赖外部 API
支持 CPU 推理（但速度较慢）

云端方案（OpenAI）：

调用 OpenAI text-embedding-3-small API
速度快、精度高，但需要 API Key 并产生费用

关键代码位于 src/embeddings/EmbeddingModel.js，实现了统一的 Embedding 接口，支持缓存（EmbeddingCache.js）避免重复计算。

4. Vector Stores（向量数据库）

存储 Embedding 向量并提供相似度检索。项目实现了多个后端：

后端	说明	适用场景
InMemoryVectorStore	纯内存实现，无需额外服务	开发测试、快速原型
LanceDBVectorStore	嵌入式向量数据库，持久化存储	本地生产环境
QdrantVectorStore	对接 Qdrant 向量数据库	需要高性能和云端部署

所有 Vector Store 都继承自 BaseVectorStore，保证接口一致性。

5. Retrievers（检索器）

根据用户 Query 从向量数据库中检索相关文档。项目实现了多种检索策略：

相似度检索：基于余弦相似度或点积，返回 Top-K 最相似结果
混合检索：结合关键词检索（BM25）和向量检索，取交集或并集
重排序（Reranking）：初筛后用更精准的模型重新排序结果

6. Chains（链式调用）

将上述模块串联成完整的 RAG 流水线：

RetrievalChain：最基础的"检索 + 生成"链
RAGChain：标准 RAG 流程，含 Context 拼接与 Prompt 工程
ConversationalChain：支持多轮对话，维护对话历史

学习路径：从 70 行代码到完整 RAG

项目的 README 定义了一条清晰的学习曲线，从最简单的演示到完整的生产级 RAG：

Step 0：RAG 核心概念（`00_how_rag_works/`）

用 70 行纯 JavaScript 展示 RAG 的本质：检索 + 生成。没有任何外部依赖，使用最朴素的关键词匹配来演示"给定问题 → 找相关文档 → 用文档内容回答"的全流程。这个例子故意"简单粗暴"，目的是让读者先理解 RAG 在做什么，再去关心"怎么做得好"。

Step 1：LLM 入门（`01_intro_to_llms/`）

介绍如何用 node-llama-cpp 本地加载 GGUF 格式的 LLM，以及如何用 OpenAI API 调用云端模型。为后续生成阶段做铺垫。

Step 2：数据加载（`02_data_loading/`）

从 PDF 文件中提取文本，处理编码问题，去除噪声内容。这是 RAG 流水线的数据入口。

Step 3：文本切分（`03_text_splitting_and_chunking/`）

深入讨论 Chunk 大小、Overlap、切分边界等问题。不同的切分策略对检索召回率有显著影响。

Step 4：Embedding 原理（`04_intro_to_embeddings/`）

从词袋模型到 Transformer，深入浅出讲解 Embedding 如何将文字映射为向量。特别适合没有 NLP 背景的后端开发者。

Step 5：向量数据库（`05_building_vector_store/`）

手把手实现一个简化版向量数据库，包含：

余弦相似度计算
近似最近邻（ANN）搜索
持久化存储

Step 6：检索策略（`06_retrieval_strategies/`）

高级检索技术的实战讲解：混合检索如何融合关键词和语义？MMR（最大边际相关性）如何避免检索结果同质化？Query 改写如何提升召回率？

硬件需求与部署门槛

作为教学项目，pguso/rag-from-scratch 对硬件要求相对宽松：

最低配置（纯 CPU 运行）：

内存：4GB RAM
磁盘：2GB（用于存储 LLM 模型文件）
CPU：支持 AVX2 指令集（大多数现代 CPU 均支持）

推荐配置（本地 Embedding）：

内存：8GB+ RAM（运行 Qwen3-1.7B-Q6_K 量化模型）
磁盘：10GB+（包含多个可选模型）

离线运行能力： 项目设计上优先支持本地 LLM（通过 node-llama-cpp），不需要 OpenAI API Key 也能完整运行 Embedding 和生成阶段。只需在 .env 中配置本地模型路径即可。

技术选型分析：为什么是 Node.js？

一个有趣的问题是：RAG 通常是 Python 的天下（LangChain、LlamaIndex、Chroma 全是 Python），为什么这个项目选择 Node.js？

作者 pguso 的解释是："JavaScript/TypeScript 开发者数量远超 Python 开发者，但在 AI 领域被严重忽视了"。许多前端或全栈工程师想了解 AI 原理，却被 Python 门槛挡在门外。本项目降低了这一门槛，让 JavaScript 开发者也能从零理解 RAG 的每个细节。

技术栈亮点：

ES Module：项目使用 type: "module"，全面拥抱现代 JavaScript
npm 生态：复用 pdf-parse、openai、node-llama-cpp 等成熟 npm 包
TypeScript 类型提示缺失：项目未使用 TypeScript，但代码结构清晰，类型推断友好

局限与争议

没有项目是完美的，pguso/rag-from-scratch 也有其局限性：

生产环境不友好：作为教学项目，代码追求可读性而非性能。InMemoryVectorStore 每次重启数据丢失，不适合生产使用。
缺乏测试覆盖：项目几乎没有单元测试和集成测试，代码质量依赖作者手动维护。
Embedding 模型限制：本地 Embedding 使用的是 LLM（Qwen 系列）而非专门的 Embedding 模型（如 bge 系列），向量质量可能不如专业 Embedding 模型。
不处理多语言：RAG 在跨语言场景（如中文文档 + 英文问题）下的处理未在项目中涉及。
更新维护状态：作者最后一次 commit 距今已有数月，LangChain/LlamaIndex 等快速迭代的情况下，教学代码可能存在 API 滞后。

行业意义：从"会用"到"真懂"

pguso/rag-from-scratch 的价值不仅在于代码本身，更在于它代表了一种**"逆向工程"**的学习方法论。

在 AI 工具越来越傻瓜化的今天，很多人会用 LangChain 搭 RAG，却不知道 Embedding 的原理、不理解向量检索的数学基础。一旦遇到问题（比如检索结果质量差、Context 溢出），就束手无策。

本项目用 7 个渐进式的示例，将 RAG 的每个环节拆解到"能用代码解释清楚"的程度。这对于：

想转行 AI 的 JavaScript 开发者：一条低门槛的入门路径
有 AI 基础但想深入原理的工程师：补齐 RAG 黑箱知识
AI 教育者：可以作为 RAG 课程的配套实践项目

星标数 1457、fork 数 173 的数据表明，这种"从零理解"的学习方式确实击中了大量开发者的痛点。

本报告基于 pguso/rag-from-scratch v1.0.0（main 分支，2026 年 6 月）源码分析生成。

从零构建 RAG 系统：pguso/rag-from-scratch 深度解析

场景切入：为什么 RAG 总是"黑箱"？

项目背景：从"AI Agents 从零实现"到"RAG 从零实现"

本项目作者 pguso 是一位活跃的 GitHub 开发者，他的核心理念可以概括为一句话："让 AI 工具的可理解性和可访问性回到开发者手中"。

RAG 之所以值得单独成项目，是因为它虽然概念简单，但实现细节极其繁杂：

Embedding 模型怎么选？用 OpenAI 的还是本地部署的？
文档怎么切分？固定字数还是语义切分？
向量数据库用哪个？Chroma？Milvus？还是自己实现一个轻量版？
检索出来的 Context 怎么和用户问题拼成最终 Prompt？
Re-ranking 怎么做？如何过滤噪声结果？

每一个问题都有无数种解法，但没有哪个教程会告诉你"为什么这样选"。本项目就是要填上这个坑。

核心架构：模块化 RAG 流水线

项目采用典型的模块化架构，将 RAG 流水线拆分为六个核心模块，每个模块都可以独立使用或替换：

1. Loaders（文档加载器）

负责将各种格式的原始数据加载为统一格式。目前支持：

PDF 解析（pdf-parse）：从 PDF 文件中提取文本
文本文件：直接读取 .txt、.md 等纯文本

2. Text Splitters（文本切分器）

将长文档切分为适合 Embedding 的小块（Chunk）。切分策略直接影响检索质量：

固定长度切分：按字符数或 token 数硬切，简单但可能切断句子
递归字符切分：优先按段落切，实在不够再按句子切，保留语义完整性

3. Embeddings（向量嵌入）

将文本转换为高维向量。项目同时支持两种方案：

本地方案（node-llama-cpp）：

使用量化后的 GGUF 格式模型（如 Qwen3-1.7B）
纯本地运行，不依赖外部 API
支持 CPU 推理（但速度较慢）

云端方案（OpenAI）：

调用 OpenAI text-embedding-3-small API
速度快、精度高，但需要 API Key 并产生费用

关键代码位于 src/embeddings/EmbeddingModel.js，实现了统一的 Embedding 接口，支持缓存（EmbeddingCache.js）避免重复计算。

4. Vector Stores（向量数据库）

存储 Embedding 向量并提供相似度检索。项目实现了多个后端：

后端	说明	适用场景
InMemoryVectorStore	纯内存实现，无需额外服务	开发测试、快速原型
LanceDBVectorStore	嵌入式向量数据库，持久化存储	本地生产环境
QdrantVectorStore	对接 Qdrant 向量数据库	需要高性能和云端部署

所有 Vector Store 都继承自 BaseVectorStore，保证接口一致性。

5. Retrievers（检索器）

根据用户 Query 从向量数据库中检索相关文档。项目实现了多种检索策略：

相似度检索：基于余弦相似度或点积，返回 Top-K 最相似结果
混合检索：结合关键词检索（BM25）和向量检索，取交集或并集
重排序（Reranking）：初筛后用更精准的模型重新排序结果

6. Chains（链式调用）

将上述模块串联成完整的 RAG 流水线：

RetrievalChain：最基础的"检索 + 生成"链
RAGChain：标准 RAG 流程，含 Context 拼接与 Prompt 工程
ConversationalChain：支持多轮对话，维护对话历史

学习路径：从 70 行代码到完整 RAG

项目的 README 定义了一条清晰的学习曲线，从最简单的演示到完整的生产级 RAG：

Step 0：RAG 核心概念（`00_how_rag_works/`）

Step 1：LLM 入门（`01_intro_to_llms/`）

介绍如何用 node-llama-cpp 本地加载 GGUF 格式的 LLM，以及如何用 OpenAI API 调用云端模型。为后续生成阶段做铺垫。

Step 2：数据加载（`02_data_loading/`）

从 PDF 文件中提取文本，处理编码问题，去除噪声内容。这是 RAG 流水线的数据入口。

Step 3：文本切分（`03_text_splitting_and_chunking/`）

深入讨论 Chunk 大小、Overlap、切分边界等问题。不同的切分策略对检索召回率有显著影响。

Step 4：Embedding 原理（`04_intro_to_embeddings/`）

从词袋模型到 Transformer，深入浅出讲解 Embedding 如何将文字映射为向量。特别适合没有 NLP 背景的后端开发者。

Step 5：向量数据库（`05_building_vector_store/`）

手把手实现一个简化版向量数据库，包含：

余弦相似度计算
近似最近邻（ANN）搜索
持久化存储

Step 6：检索策略（`06_retrieval_strategies/`）

高级检索技术的实战讲解：混合检索如何融合关键词和语义？MMR（最大边际相关性）如何避免检索结果同质化？Query 改写如何提升召回率？

硬件需求与部署门槛

作为教学项目，pguso/rag-from-scratch 对硬件要求相对宽松：

最低配置（纯 CPU 运行）：

内存：4GB RAM
磁盘：2GB（用于存储 LLM 模型文件）
CPU：支持 AVX2 指令集（大多数现代 CPU 均支持）

推荐配置（本地 Embedding）：

内存：8GB+ RAM（运行 Qwen3-1.7B-Q6_K 量化模型）
磁盘：10GB+（包含多个可选模型）

技术选型分析：为什么是 Node.js？

一个有趣的问题是：RAG 通常是 Python 的天下（LangChain、LlamaIndex、Chroma 全是 Python），为什么这个项目选择 Node.js？

技术栈亮点：

ES Module：项目使用 type: "module"，全面拥抱现代 JavaScript
npm 生态：复用 pdf-parse、openai、node-llama-cpp 等成熟 npm 包
TypeScript 类型提示缺失：项目未使用 TypeScript，但代码结构清晰，类型推断友好

局限与争议

没有项目是完美的，pguso/rag-from-scratch 也有其局限性：

生产环境不友好：作为教学项目，代码追求可读性而非性能。InMemoryVectorStore 每次重启数据丢失，不适合生产使用。
缺乏测试覆盖：项目几乎没有单元测试和集成测试，代码质量依赖作者手动维护。
Embedding 模型限制：本地 Embedding 使用的是 LLM（Qwen 系列）而非专门的 Embedding 模型（如 bge 系列），向量质量可能不如专业 Embedding 模型。
不处理多语言：RAG 在跨语言场景（如中文文档 + 英文问题）下的处理未在项目中涉及。
更新维护状态：作者最后一次 commit 距今已有数月，LangChain/LlamaIndex 等快速迭代的情况下，教学代码可能存在 API 滞后。

行业意义：从"会用"到"真懂"

pguso/rag-from-scratch 的价值不仅在于代码本身，更在于它代表了一种**"逆向工程"**的学习方法论。

本项目用 7 个渐进式的示例，将 RAG 的每个环节拆解到"能用代码解释清楚"的程度。这对于：

想转行 AI 的 JavaScript 开发者：一条低门槛的入门路径
有 AI 基础但想深入原理的工程师：补齐 RAG 黑箱知识
AI 教育者：可以作为 RAG 课程的配套实践项目

星标数 1457、fork 数 173 的数据表明，这种"从零理解"的学习方式确实击中了大量开发者的痛点。

本报告基于 pguso/rag-from-scratch v1.0.0（main 分支，2026 年 6 月）源码分析生成。

从零构建 RAG 系统：pguso/rag-from-scratch 深度解析

场景切入：为什么 RAG 总是"黑箱"？

项目背景：从"AI Agents 从零实现"到"RAG 从零实现"

核心架构：模块化 RAG 流水线

1. Loaders（文档加载器）

2. Text Splitters（文本切分器）

3. Embeddings（向量嵌入）

4. Vector Stores（向量数据库）

5. Retrievers（检索器）

6. Chains（链式调用）

学习路径：从 70 行代码到完整 RAG

Step 0：RAG 核心概念（00_how_rag_works/）

Step 1：LLM 入门（01_intro_to_llms/）

Step 2：数据加载（02_data_loading/）

Step 3：文本切分（03_text_splitting_and_chunking/）

Step 4：Embedding 原理（04_intro_to_embeddings/）

Step 5：向量数据库（05_building_vector_store/）

Step 6：检索策略（06_retrieval_strategies/）

硬件需求与部署门槛

技术选型分析：为什么是 Node.js？

局限与争议

行业意义：从"会用"到"真懂"

从零构建 RAG 系统：pguso/rag-from-scratch 深度解析

场景切入：为什么 RAG 总是"黑箱"？

项目背景：从"AI Agents 从零实现"到"RAG 从零实现"

核心架构：模块化 RAG 流水线

1. Loaders（文档加载器）

2. Text Splitters（文本切分器）

3. Embeddings（向量嵌入）

4. Vector Stores（向量数据库）

5. Retrievers（检索器）

6. Chains（链式调用）

学习路径：从 70 行代码到完整 RAG

Step 0：RAG 核心概念（00_how_rag_works/）

Step 1：LLM 入门（01_intro_to_llms/）

Step 2：数据加载（02_data_loading/）

Step 3：文本切分（03_text_splitting_and_chunking/）

Step 4：Embedding 原理（04_intro_to_embeddings/）

Step 5：向量数据库（05_building_vector_store/）

Step 6：检索策略（06_retrieval_strategies/）

硬件需求与部署门槛

技术选型分析：为什么是 Node.js？

局限与争议

行业意义：从"会用"到"真懂"

Step 0：RAG 核心概念（`00_how_rag_works/`）

Step 1：LLM 入门（`01_intro_to_llms/`）

Step 2：数据加载（`02_data_loading/`）

Step 3：文本切分（`03_text_splitting_and_chunking/`）

Step 4：Embedding 原理（`04_intro_to_embeddings/`）

Step 5：向量数据库（`05_building_vector_store/`）

Step 6：检索策略（`06_retrieval_strategies/`）

Step 0：RAG 核心概念（`00_how_rag_works/`）

Step 1：LLM 入门（`01_intro_to_llms/`）

Step 2：数据加载（`02_data_loading/`）

Step 3：文本切分（`03_text_splitting_and_chunking/`）

Step 4：Embedding 原理（`04_intro_to_embeddings/`）

Step 5：向量数据库（`05_building_vector_store/`）

Step 6：检索策略（`06_retrieval_strategies/`）