构建个人RAG：与自己的文档对话（无需代码）

RAG——检索增强生成（Retrieval-Augmented Generation）——是“让AI使用我的文档回答问题”的技术术语。直到2024年，这还是只有开发者才能使用的能力。到2026年，已经有了出色的无代码方案，只需十五分钟即可完成设置，其效果足以与定制系统媲美。

本文介绍构建个人RAG的三种无代码路径、各自的适用场景，以及实用RAG与令人沮丧的RAG之间的设计差异。重点不是“上传所有内容”，而是创建一个范围明确、基于来源且答案可供核查的助手。

个人RAG的安全性取决于你上传的文档以及存储这些文档的服务。除非工具、账户、保留设置和公司政策均允许，否则不要上传合同、客户数据、人力资源记录、源代码或受监管材料。

“个人RAG”的真正含义

个人RAG是一种对话界面，其中：

1. 你上传自己的文档（PDF、Word、文本、网页、转录文本）。
2. 系统为其建立索引，以便搜索。
3. 当你提出问题时，系统检索文档中最相关的文本块，并将它们与问题一同提供给大语言模型（LLM）。
4. 大语言模型根据你的文档生成答案，并附上引用。

相比普通的ChatGPT或Claude，它的优势在于：模型使用的是你的特定文档，而不是训练数据。这意味着：

• 答案有据可依——每项陈述都与来源相关联。
• 模型可以回答有关其此前从未见过的内容的问题（你的内部文档、最新论文、细分领域知识）。
• 对于范围内的问题，幻觉会大幅减少。

局限在于：文档中没有的任何内容都超出范围。系统可能会说“我没有这方面的信息”，也可能——更糟糕的是——退回使用训练数据，并产生幻觉。

三种无代码路径

对于2026年90%的个人RAG用例，以下三种方案之一就是正确选择：

路径1：NotebookLM（最简单）

我们的NotebookLM初级文章已经介绍过这一方案。这里简要回顾：

• 在notebooklm.google.com创建笔记本。
• 最多上传约50个来源（PDF、Docs、网页、YouTube、音频）。
• 与笔记本对话——每个答案都有来源依据和引用。
• Audio Overview可以生成播客风格的摘要。

优势： 设置最简单，答案依据最可靠且带有引用；音频概览确实实用。

局限： 集成有限（无法自动与文档同步，来源变化后需手动重新上传）；来源数量有上限；无法嵌入其他位置。

最适合： 个人学习、文档分析、研究、项目知识——来源为固定集合的任何场景。

路径2：Claude Projects（最灵活）

Claude的Projects功能可让你创建一个文件夹，其中包含：

• 用于规定项目行为的自定义指令。
• 知识文件（上传后可供助手引用的文档）。
• 你在项目中进行的所有对话。

优势： 对话质量优于NotebookLM（得益于Claude的写作能力），行为配置更灵活，更适合持续使用。

局限： 支持的来源类型较少（主要是文本、PDF和代码）；无法原生获取网页；文档变化后需手动重新上传。

最适合： 需要反复使用的“项目知识库”、个人研究领域，以及特定领域助手（法律、技术、公司内部知识）。

路径3：低代码RAG流水线（能力最强）

使用无代码工作流平台（n8n、Make）或低代码工具（Langflow、Flowise）进行自定义设置。LangChain本身是代码优先的框架，并非无代码工具；但Langflow/Flowise在类似构建模块之上提供了可视化编辑器。无论采用哪种方式，都由你自行组合RAG流水线：

1. 摄取： 从来源（Google Drive、Notion、文件夹、数据库）自动同步。
2. 分块和嵌入： 拆分文档并创建向量嵌入。
3. 向量存储： Pinecone、Qdrant、Weaviate或自行托管的Chroma。
4. 检索： 语义搜索为每个查询返回相关文本块。
5. 生成： 将文本块和查询一同发送给大语言模型。
6. 界面： 通过n8n的webhook和前端，或Open WebUI这类工具进行对话。

优势： 完全控制；自动同步文档；自定义检索逻辑；可嵌入任何位置。

局限： 设置需要数小时，而不是数分钟；需要持续维护；必须理解分块、嵌入和检索质量。

最适合： 团队或部门知识库、面向客户的聊天机器人，以及来源频繁变化或需要与其他工具集成的任何场景。

如何在三者之间选择

一条决策规则：

选择NotebookLM，如果： 来源稳定；你希望15分钟内投入使用；用例是学习或分析，而不是嵌入其他工作流。

选择Claude Projects，如果： 你希望为一个长期领域配备持久助手（例如“与我们的欧洲税务合规有关的一切”）；你重视对话质量；并且已经是Claude用户。

选择自定义n8n/LangChain设置，如果： 来源经常变化；你需要自动同步；你希望将对话嵌入其他工具或应用；或者要为团队构建系统。

逐步构建Claude Projects

由于我们已单独介绍NotebookLM，下面逐步构建一个Claude Projects RAG。对于大多数中级用户而言，这是合适的折中方案。

第1步：创建项目。 在claude.ai中，点击Projects → New Project。以领域命名（例如“欧盟税务合规助手”）。

第2步：编写指令。 大部分价值都来自这里。一个可靠的模板如下：

你是面向 [your role/team] 的 [domain] 助手。你的职责是根据我上传为知识的文档回答问题。

始终做到：
- 引用答案所依据的具体文档和章节。
- 使用 [my inference] 标记你推断的任何内容。
- 当知识文件未涵盖问题时，说“我没有这方面的信息”——除非我明确要求，否则绝不编造或退回使用通用知识。

当我提出：
- 事实性问题：引用具体段落。
- 操作方法问题：提供带有参考来源的分步答案。
- 比较问题：在有帮助时使用表格。
- 开放式问题：以清晰的章节组织答案。

如果文档相互矛盾：明确指出矛盾。

如果文档已过时（超过2年）：引用时说明这一点。

第3步：上传文档。 点击“Add knowledge”，上传PDF、Word文档和文本文件。几十份以内效果良好；数量再多，质量就会下降。

一些做法：

• 与扫描版相比，优先使用干净、基于文本的PDF。
• 如果非常长的PDF涵盖多个主题，应将其拆分。聚焦的文档检索效果更好。
• 在文件名中添加标签。 “2026-04-tax-guidance-Estonia.pdf”优于“document1.pdf”。Claude可以利用文件名上下文。
• 避免重复。 同一文档存在三个版本会干扰检索。

上传前，快速审核来源：

1. 谁拥有这份文档？
2. 是否包含个人数据、客户数据、凭据、合同、健康数据或机密定价？
3. 内容是否足够新，可以据此回答问题？
4. 它是否具有权威性，还是仅为粗略笔记或观点文章？
5. 由于受众或权限不同，是否应将此来源放入另一个RAG？

本文链接的配套来源审核模板提供了一张轻量表格，可用于此次审核。

明确权限边界

个人RAG往往在技术失败前就先出现组织层面的问题。检索可能准确，但错误的人可能看到错误的来源。应按受众和权限限定每个RAG：

如果两个受众不应看到同一来源，就不应共享同一个RAG。在无代码工具中，按项目或笔记本分开通常是最简单的权限模型。

第4步：测试。 提出一个你知道答案的问题。确认回复基于正确文档并提供引用。如果不是，请优化指令或文档。

第5步：使用。 在该项目中开始的每次对话都会使用这些文档作为依据。对话保存在项目内，便于稍后继续。

完整示例：个人法律问题助手

假设你希望构建个人RAG，用于处理爱沙尼亚劳动法、GDPR和一般商业合规问题。

来源：

• 爱沙尼亚官方《就业合同法》（来自Riigi Teataja的PDF）。
• GDPR全文（来自EUR-Lex的PDF）。
• ICO和爱沙尼亚数据保护监察局的指导文件。
• 你过去的合同和政策文件。
• 几篇总结常见问题的高质量法律博客文章。

指令（在Project中）：

你是一家拥有50名员工的爱沙尼亚B2B SaaS公司的法律合规助手。你的职责是根据爱沙尼亚劳动法、GDPR和我们的内部政策回答问题。

始终做到：
- 引用所参考的具体条款、章节或文档。
- 使用 [my inference] 标记你推断或推演的任何内容。
- 对于GDPR问题，区分强制要求与最佳实践。
- 对于爱沙尼亚特有的就业问题，除非我询问其他司法管辖区，否则默认适用爱沙尼亚法律。

始终以下列内容结尾：
“本回答仅供参考，不构成法律意见。如需具有约束力的解释，请咨询合格的爱沙尼亚劳动法律师。”

如果问题适合由律师审核：明确说明。

现在，你拥有了一个根据实际来源文档回答劳动和GDPR问题的个人助手。它不能替代律师，但对于来源文档中已有明确答案的80%问题，它比你亲自翻查法规快得多。

常见陷阱及规避方法

个人RAG中有几个很容易踩中的具体陷阱：

陷阱1：文档过时。 你上传的是2023年版法规，而2026年版已经变更。RAG会忠实地根据过时材料回答。

解决方法： 在文件名中标注日期，定期审核并替换。对于频繁更新的来源，可以考虑使用自动同步的工作流平台RAG。

陷阱2：低质量来源。 你上传了看似权威、实际包含错误的SEO垃圾文章，RAG会利用它们回答。

解决方法： 严格筛选来源。三个优秀来源胜过十个平庸来源。上传前验证每个来源的可信度。

陷阱3：范围蔓延。 RAG原本用于“爱沙尼亚劳动法”，但你又添加了一些一般性人力资源文章、谈判技巧和几份合同模板。现在检索结果更混乱，答案会将法律来源与观点文章混在一起。

解决方法： 每个范围建立一个项目，为不同领域构建不同项目。

陷阱4：语料库外的问题。 用户（或你）提出文档没有涵盖的问题，模型退回训练数据并产生幻觉。

解决方法： 使用强约束指令（“绝不编造——请说我没有这方面的信息”）。测试边缘案例。考虑配置模型，使其拒绝退回使用通用知识。

陷阱5：即使在无代码工具中，分块也很重要。 现代无代码工具会自动处理分块，但如果文档格式异常（表格、分栏、代码块），检索质量就会下降。

解决方法： 尽可能预处理。上传前将复杂PDF转换成干净的Markdown，并将很长的文档拆分为聚焦的章节。

不仅测试检索，也要测试拒绝回答

大多数人测试RAG时，只会提出确定能从来源中找到答案的问题。这只能证明理想路径可行。还应测试语料库不应回答的问题。

这些测试决定了系统是文档助手，还是仅仅把文档文件夹放在旁边的自信答案生成器。

超越无代码：何时应当升级

无代码RAG总会遇到能力边界，需要升级到更强大的设置。常见触发条件包括：

来源数量。 文档达到500份以上，基本上传机制的质量开始下降。

自动同步。 文档持续更新（Notion页面、Google Docs、Slack消息、内部Wiki），手动重新上传难以为继。

嵌入式对话。 你希望用户在你的应用、Slack或网站中与RAG对话，而不是在Claude界面中使用。

特定检索需求。 需要按元数据（部门、文档类型、日期）筛选检索结果，或使用混合搜索（语义 + 关键词），或对结果进行重排序。

成本优化。 使用量已经高到必须控制token成本。

遇到其中任何一种情况，都需要自定义RAG。下一步可以选择：

• 使用向量存储节点的n8n。 无代码，但控制力很强。
• LangChain、LlamaIndex或Haystack。 Python库。需要真正编写代码，但文档完善。
• 托管RAG服务（Vectara、Unstructured、Ragie、Pinecone的RAG即服务）。控制力较弱，工作量也较少。

我们另有一篇介绍生产级RAG的高级文章。现在只需识别这条界线，并在触及时迁移。

能产生复利的几种模式

一些能让个人RAG随时间推移变得更实用的习惯：

精心筛选，不要倾倒一切。 人们很容易想上传所有内容，但实际情况是，更多并不等于更好，更优质才意味着更好。三个优秀来源能回答大多数问题；50个平庸来源反而会降低回答质量。

记录范围。 写明RAG的用途及范围外事项，并坚持这一范围。不要未经思考就扩大范围。

为不同领域构建小型、独立的RAG。 一个用于“个人法律问题”，另一个用于“我公司的产品知识”，再一个用于“我的研究生学习资料”。范围越小，答案越好。

定期复测。 每月向RAG提出最初测试过的五个问题。如果质量因新增文档或模型变化而发生偏移，应及时发现并更新。

与通用AI结合。 如果问题横跨RAG范围和更广泛的知识，先用RAG获得有来源依据的部分，再交给通用AI补充更广泛的上下文。这就是多工具工作流。

关于成本

NotebookLM在宽裕的限额内免费。Claude Projects使用Claude Pro / Max订阅（取决于层级，每月约$20–200）。自定义n8n/向量存储设置的成本取决于用量，每月约$10–100，另加构建和维护时间。

对于大多数个人用户，个人RAG的成本基本就是一项AI订阅费用，再加上极少的存储和API使用增量成本。如果经常反复询问答案位于已知文档集中的问题，收益最为明显。

应当选择哪种构建方案

2026年，个人RAG已不再是开发者专属能力。NotebookLM可在15分钟内提供可用的RAG；Claude Projects可在30分钟内提供更灵活的助手；自定义n8n设置则可在数小时内带来完全控制。

根据用例选择合适的方案。仔细筛选来源，调整指令，测试检索与拒绝回答，并持续迭代。一周内，你就能拥有一个工具，将许多文档查询任务从手动搜索转变为带有来源引用、可供核查的答案。

选择一个你经常需要查阅文档的领域，本周就建立一个项目，并根据答案是否有据可依、有引用、内容最新且安全地处于范围内来评价它。