PROJECT 01 · LIVE DEMO
个人知识 RAG 助手
我把入学以来攒下的笔记（220 多篇 Markdown）整理成一份语料库， 做了一个能用自然语言问答的小工具。它先做向量语义检索（bge-m3 Embedding + 余弦相似度） 找出最相关的几段笔记，再交给 DeepSeek 组织成回答。下面是可以直接对话的 demo。
初始化中…
—
你是怎么选方向的？
为什么从土木转大数据？
你笔记里 RAG 是解决什么问题的？
KNN 的 K 值怎么选？
MuJoCo 里 qpos 和 qvel 是什么？
你做过哪些项目？
你现在最优先的事是什么？
先向量语义检索相关资料，再交给 DeepSeek 组织成回答
为什么做这个
入学以来我攒下 220 多篇笔记，散在 Obsidian 里。 普通 Ctrl+F 只能匹配关键词——问“我之前怎么理解 RAG 的”，匹配“之前”“理解”毫无意义。
RAG 做的是：先语义检索出最相关的几段笔记，再让大模型基于它们作答。 用自己的数据，比拿公开数据集练手有意义得多，也是我想搞懂 Embedding / 向量库 / 检索 的最快路径。
技术栈
Vanilla JS硅基流动 SiliconFlowbge-m3BM25余弦相似度DeepSeek
检索管线
01
语料
35 段真实笔记
→
02
Embedding
bge-m3 向量 / BM25
→
03
Top-K
余弦相似度取前 5
→
04
DeepSeek
基于片段生成
// 核心检索逻辑（伪代码）
const qv = await embed(query) // 1. 问题向量化
const top = docs
.map(d => ({d, s: cosine(qv, d.vec)})) // 2. 逐一算相似度
.sort((a,b) => b.s - a.s)
.slice(0, 5) // 3. 取最相关 5 段
answer = deepseek(prompt(top, query)) // 4. 生成回答