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

# Mastra 中的 RAG（檢索增強生成）

Mastra 的 RAG 可加入來自你自有資料來源的相關上下文，提升 LLM 輸出的準確度，並讓回應以真實資料為依據。

Mastra 的 RAG 系統提供：

- 用於處理文件及建立嵌入向量的標準化 API
- 支援多種向量儲存庫
- 用於最佳化檢索的分塊及嵌入策略
- 用於追蹤嵌入及檢索效能的可觀測性

## 範例

要實作 RAG，先將文件處理成區塊並建立嵌入向量，再把向量儲存於向量資料庫，並在查詢時檢索相關上下文。

```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)
```

此範例展示基本流程：初始化文件並建立區塊，接着產生及儲存嵌入向量，最後查詢相似內容。

## 文件處理

文件處理是 RAG 的基本組成部分。你可以使用不同策略（遞迴、滑動視窗等）把文件分塊，並加入中繼資料。詳情請參閱[分塊及嵌入文件](https://mastra.zisheng.pro/zh-HK/guides/rag/chunking-and-embedding)。

## 向量儲存

Mastra 支援多種向量儲存庫，以持久保存嵌入向量及進行相似度搜尋，包括 pgvector、OracleDB、Pinecone、Qdrant 及 MongoDB。詳情請參閱[向量資料庫](https://mastra.zisheng.pro/zh-HK/guides/rag/vector-databases)。

## 更多資源

- [思維鏈 RAG 範例](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/cot-rag)