40岁了最近再学bun。

这篇文章用一段可以直接跑通的 TypeScript 代码，把 RAG讲得通俗易懂。看完后你会明白：不是只有 Python 才能玩 AI，JS 一样可以干出大事。

一步到位的最小可运行示例

// ① 引入 RAG 三件套：管道、向量库、切块器
import { DocumentPipeline。InMemoryVectorStore,RecursiveTextChunker } from "@kognitivedev/rag";// ② AI SDK 适配器，把百炼 embedding 包成统一接口
import { AISDKEmbeddingProvider } from "@kognitivedev/adapter-ai-sdk";怎么说呢，// ③ 用 OpenAI 兼容格式连接百炼
import { createOpenAI } from "@ai-sdk/openai";const qwen = createOpenAI({
baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1"。// 百炼兼容端点
再看apiKey，"sk-你的百炼API-KEY",});// ④ 组装 RAG 流水线
const agent = new DocumentPipeline({
chunker: new RecursiveTextChunker。// 文档怎么切
embedder: new AISDKEmbeddingProvider({
说到model，qwen.embedding // 用什么模型转向量
}),vectorStore: new InMemoryVectorStore,// 向量存在哪
});// ⑤ 喂文档、建索引
await agent.ingest;// ⑥ 提问并检索最相似的块
const results = await agent.search;console.log，// 公司规定：离职需提前30天申请。

安装依赖

bun add @kognitivedev/rag @ai-sdk/openai @kognitivedev/adapter-ai-sdk

一、主要概念

• RAG先翻书。再回答，让 AI 基于你的文档说话。怎么说呢，
• Agent能自主决策、调用工具的智能体。RAG 是它的“检索工具”。
• Embedding文本 → 向量，让计算机能算“相似度”。
• Vector Store存放向量的数据库，负责快速找出最相似的几段。

二、RAG 干了什么？老实说，

// 📄你的文档
const doc = "公司规定：离职需提前30天申请。"，// 👉① 切块——把长文切成小段
const chunks =;// 👉② 向量化——文字 → 数字指纹
// 假设每段得到一个长度为1024的向量
const vectors = */ // 示例占位
];怎么说呢，// 👉③ 存库——入库备查
await store.add;// 👉④ 检索——问题也转向量，找最像的段落
const question = "怎么离职？"，const qVector = /* 同上，用同模型把问题转成向量 */;const similar = await store.find;// 返回 → "公司规定：离职需提前30天申请。"

关键步骤拆解

• 切块把大文档拆成易于检索的小片段；不拆的话，向量化成本高且检索不精确。
• 向量化使用大语言模型提供的 embedding 接口，把文字映射到高维空间；相似度计算向量，
• 存储常见实现有 Pinecone、Milvus、本地 InMemory 等；这里演示的是内存版，生产环境可换成持久化方案。
• 检索将使用者提问一样 embed。接下来在向量库里做最近邻搜索，取出 top‑K 最相似的块供后续生成使用。

三、把 RAG 嵌进你的 JS/TS Agent 中

下面是一段完整的 TypeScript 示例，它展示了如何把上面的检索功能包装成一个真正意义上的「Agent」——能够接受使用者输入、自动调用检索并返回答案。

import {
DocumentPipeline。InMemoryVectorStore,RecursiveTextChunker,} from "@kognitivedev/rag";
import { AISDKEmbeddingProvider } from "@kognitivedev/adapter-ai-sdk";import { createOpenAI } from "@ai-sdk/openai";const openAI = createOpenAI({
baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1"。apiKey: "sk-你的百炼API-KEY",});class SimpleRagAgent {
private pipeline: DocumentPipeline;constructor {
this.pipeline = new DocumentPipeline({
chunker: new RecursiveTextChunker。embedder: new AISDKEmbeddingProvider({
从model来看，openAI.embedding,}),vectorStore: new InMemoryVectorStore,});}
/** 导入文档，仅调用一次 */
async ingestDocs {
const docsObj = docs.map);await this.pipeline.ingest;老实说，}
/** 对使用者提问进行检索并返回最相关片段 */
async answer: Promise {
const results = await this.pipeline.search;return results.map;}
}
// ------------------- 使用示例 -------------------
=> {
const agent = new SimpleRagAgent;// Step1️⃣ 导入业务文档
await agent.ingestDocs();// Step2️⃣ 使用者提问 → Agent 自动检索答案
const answers = await agent.answer;console.log，});

为什么这对你有价值？

• No Python required. 所有依赖都是纯 JavaScript / TypeScript，可直接在 Node.js 或 Bun 环境运行。
• Straight‑forward workflow. 只需要三步：导入文档 → 建立向量库 → 查询检索。
• Easily extensible. 想接入数据库、文件程序或自定义工具，只需要替换或 DocumentPipeline/VectorStore 实现即可。
• Cuts learning curve. 不必深度学习框架。只要会写 JS，就能快速搭建自己的 AI Agent。
• Saves cost. 使用阿里云百炼免费额度就可以完成实验，无需昂贵 GPU 云主机。不过，

四、常见问题 & 调试技巧 🚀

• "我只有本地文件怎么办？" 把文件读取后传给 .ingest;支持字符串数组或自定义对象，只要包含 { content }.
• "向量维度不匹配" 确保所有嵌入都使用同一个模型；不同模型产生的维度可能不同，会导致搜索报错。按理说，
• "搜索太慢" 内存版适合小规模实验；生产环境推荐使用 Milvus、Pinecone 或 Qdrant 等专用向量数据库，它们提供近实时 ANN 搜索。
• "想让 Agent 不仅返回原文，还要生成自然语言回答" 在拿到检索结果后再调用 LLM 的 ChatCompletion 接口。把`retrieved_chunks + user_query` 作为提示词就可以 “RAG+生成”。
• "如何保持数据隐私" 所有数据均在本地内存或自托管数据库中，不会上传至第三方服务；仅 embeddings 调用百炼 API，请确保使用符合公司合规要求的密钥。

五、接下来该怎么做？🎯

2. 尝试把真实业务手册喂进去，观察搜索效果是否满足需求。
3. If you want a full‑stack UI。combine above backend with a simple React/Vue front‑end that calls Agent via an HTTP endpoint .

现在就动手，用你熟悉的 JavaScript 搭建属于自己的 AI 智能体吧！🚀🧠💡