本文介绍用 LlamaIndex 为本地 Markdown 文档搭建最小 RAG 问答应用，流程为初始化设置、加载文档、构建向量索引、创建查询引擎和查询验证。初始化通过 Settings 配置兼容 OpenAI 接口的 LLM 与中文嵌入模型 BAAI/bge-small-zh-v1.5，密钥从 .env 加载，该模型体积小且可在 CPU 运行。文档用 SimpleDirectoryReader 按 input_files 加载；VectorStoreIndex.from_documents 自动完成切分、嵌入并默认存入内存。index.as_query_engine 封装检索与响应合成，get_prompts 可查看提示词，query 用于端到端验证。读者可据此快速实现本地文档问答，并按需替换切分器、向量存储或嵌入模型。

文章用LangChain按四步实现RAG：数据准备、索引建立、检索优化、生成集成。先加载环境变量与中文嵌入模型，再用TextLoader读文档，用RecursiveCharacterTextSplitter默认参数分块，块大小4000、重叠200、保留分隔符。再以BAAI/bge-small-zh-v1.5生成归一化向量，存入InMemoryVectorStore。查询用similarity_search取k=3，以双换行拼接上下文。最后用ChatPromptTemplate要求仅凭上下文回答，信息不足则告知，调用ChatDeepSeek生成答案。读者可搭建可查询自有文档的RAG应用。