> Discover all available pages from the documentation index: https://mastra.zisheng.pro/llms.txt

# Mastra 中的 RAG（检索增强生成）

Mastra 中的 RAG 可将你自己的数据源中的相关上下文融入 LLM 输出，从而提高准确性，并让回答以真实信息为依据。

Mastra 的 RAG 系统提供：

- 用于处理文档和生成嵌入向量的标准化 API
- 对多种向量存储的支持
- 可实现最佳检索效果的分块和嵌入策略
- 用于跟踪嵌入和检索性能的可观测性

## 示例

要实现 RAG，需要先把文档处理成数据块并创建嵌入向量，将它们存入向量数据库，然后在查询时检索相关上下文。

```ts
import { embedMany } from 'ai'
import { PgVector } from '@mastra/pg'
import { MDocument } from '@mastra/rag'
import { z } from 'zod'

// 1. Initialize document
const doc = MDocument.fromText(`Your document text here...`)

// 2. Create chunks
const chunks = await doc.chunk({
  strategy: 'recursive',
  size: 512,
  overlap: 50,
})

// 3. Generate embeddings; we need to pass the text of each chunk
import { ModelRouterEmbeddingModel } from '@mastra/core/llm'

const { embeddings } = await embedMany({
  values: chunks.map(chunk => chunk.text),
  model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
})

// 4. Store in vector database
const pgVector = new PgVector({
  id: 'pg-vector',
  connectionString: process.env.POSTGRES_CONNECTION_STRING,
})
await pgVector.upsert({
  indexName: 'embeddings',
  vectors: embeddings,
}) // using an index name of 'embeddings'

// 5. Query similar chunks
const results = await pgVector.query({
  indexName: 'embeddings',
  queryVector: queryVector,
  topK: 3,
}) // queryVector is the embedding of the query

console.log('Similar chunks:', results)
```

此示例展示了核心步骤。先初始化文档并创建数据块，再生成和存储嵌入向量，最后查询相似内容。

## 文档处理

文档处理是 RAG 的基本组成部分。你可以使用不同策略（递归、滑动窗口等）对文档进行分块，并通过元数据丰富文档。请参阅[文档分块与嵌入](https://mastra.zisheng.pro/guides/rag/chunking-and-embedding)。

## 向量存储

Mastra 支持多种向量存储，用于持久化嵌入向量和执行相似度搜索，包括 pgvector、OracleDB、Pinecone、Qdrant 和 MongoDB。请参阅[向量数据库文档](https://mastra.zisheng.pro/guides/rag/vector-databases)。

## 更多资源

- [思维链 RAG 示例](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/cot-rag)