#人人都能做的RAG系统##零代码搭建AI聊天机器人#

博主Paweł写了篇教程，教你用RAG技术，零代码搭建AI聊天机器人。

所谓RAG（Retrieval-Augmented Generation，检索增强生成），就是让AI在回答问题前，先去你提供的资料库里"翻一翻"，找到相关内容再生成答案。这样它就不会瞎编，而是基于你自己的文档来回复。

比如他演示的场景：一开始Google Drive文件夹是空的，问聊天机器人"什么是北极星指标"，它回答"找不到相关信息"。然后往文件夹里上传8个PDF文件，等1分钟让系统自动处理，再问同样的问题，这次它就能准确回答，还标注了信息来自哪个文件。

整个教程大概45分钟能完成，不需要装任何本地软件，也不用写代码。用到的工具包括：Lovable做前端界面、n8n做流程编排、OpenAI的GPT-4o-mini做模型、Pinecone做向量数据库、Google Drive存文档。

具体步骤分四步：

第一步，在Pinecone创建向量数据库。向量数据库是RAG的核心，它把文档拆成小块，转成数字向量存起来，这样后续就能通过"相似度搜索"快速找到相关内容。

第二步，用n8n设置自动化流程，只要你往Google Drive传新文件，系统就自动把它处理后存进向量数据库。

第三步，再用n8n搭一个"问答流程"：用户提问→把问题也转成向量→去数据库里找最相关的文档片段→把片段和问题一起扔给GPT→生成答案。这里Paweł还提供了两个模板，一个是最简单的Vanilla RAG，另一个是Standard RAG（稍微复杂点但效果更好）。

第四步，用Lovable做个简单的聊天界面，把前面的流程接进来，一个能用的聊天机器人就完成了。

评论区有人问，为什么不直接把所有文档塞给AI？

因为模型的上下文窗口有限制，比如GPT-4o只能处理12.8万个token（大概相当于单词数），而且输入越多花钱越多。如果你有几百万份文档，根本塞不进去。RAG的意义就是"按需检索"，只把相关的内容喂给模型，既省钱又高效。

Paweł在LinkedIn上晒出这个教程后，已经有不少产品经理跟着做出来了，有人评论说这是"真能动手学会AI的教程"。

完整教程链接在这：productcompass.pm/p/how-to-build-a-rag-chatbot http://t.cn/AXL9W2Pk