极简RAG实现：用FAISS和Mistral构建本地文档问答系统

本项目展示如何用几行Python代码实现本地检索增强生成（RAG）系统，结合FAISS向量检索和Mistral 7B开源模型，无需GPU即可运行文档问答。项目旨在降低RAG技术入门门槛，帮助学习者直观理解核心原理，同时支持本地部署以保护数据隐私。

大语言模型（LLM）存在知识截止局限，训练完成后内部知识固定，无法回答训练数据之后的事件或访问私有文档。RAG技术通过生成回答前从外部知识库检索相关信息，将结果与用户问题一起输入模型，既保留通用语言能力，又能基于最新、相关信息作答。

ai-simple-rag项目以极简代码展示RAG核心组件（文档加载、向量索引、相似度检索、文本生成），教学目的明确。技术选型上，向量检索采用Meta开源的FAISS库（速度快、内存低、CPU友好）；语言模型选用Mistral 7B Instruct（开源、指令微调适合问答）。组合支持本地部署，数据无需离开设备。

系统工作流程：1.文档放入指定data文件夹自动加载；2.文档切分为文本块，通过嵌入模型转向量并建立FAISS索引；3.用户问题转向量，检索相似文本片段；4.片段与问题作为prompt输入Mistral生成回答。体现RAG经典架构：检索模块定位信息，生成模块组织回答。

部署步骤简单：克隆仓库、安装依赖、获取Lamini API密钥。项目提供Windows/Python3.11预编译FAISS wheel，其他环境有指引。仅需CPU即可运行，降低准入门槛，普通笔记本也能体验RAG技术。

项目以精简代码展示RAG本质（向量检索+LLM生成），帮助初学者避开LangChain等框架的复杂学习曲线，理解核心原理。适用场景包括：RAG技术入门学习、本地敏感文档问答原型开发、教学演示、作为复杂系统的基础代码。

作为教学项目，功能克制（无多轮对话、复杂文档解析、高级检索策略）。生产环境需考虑超长文档处理、对话历史管理、检索优化等细节。建议从本项目入手，理解原理后再探索高级功能，渐进式学习更扎实。