文章给出基于 LlamaIndex 构建本地 Markdown 文档问答的最小可行系统，分初始化设置、文档加载、向量索引构建、查询引擎创建和查询验证五步。初始化通过 Settings 全局配置 LLM 与嵌入模型，嵌入模型适合中文检索且可在 CPU 运行；文档加载精确读取 Markdown；索引构建自动完成切分、嵌入和内存存储；查询引擎封装检索与响应合成，可查看提示词；最后调用查询打印结果，验证端到端流程。读者可快速搭建可调试的 RAG 原型，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。