如何用Microsoft.Extensions.AI库构建问答系统？
摘要：本文介绍了如何基于Microsoft.Extensions.AI + Microsoft.Extensions.VectorData 一步一步地实现一个RAG（检索增强生成）应用，相信会对你有所帮助。如果你也是.NET程序
大家好，我是Edison。
之前我们了解Microsoft.Extensions.AI和Microsoft.Extensions.VectorData两个重要的AI应用核心库。基于对他们的了解，今天我们就可以来实战一个RAG问答应用，把之前所学的串起来。
前提知识点：向量存储、词嵌入、向量搜索、提示词工程、函数调用。
案例需求背景
假设我们在一家名叫“易速鲜花”的电商网站工作，顾名思义，这是一家从事鲜花电商的网站。我们有一些运营手册、员工手册之类的文档（例如下图所示的一些pdf文件），想要将其导入知识库并创建一个AI机器人，负责日常为员工解答一些政策性的问题。
例如，员工想要了解奖励标准、行为准备、报销流程等等，都可以通过和这个AI机器人对话就可以快速了解最新的政策和流程。
在接下来的Demo中，我们会使用以下工具：
(1) LLM 采用 Qwen2.5-7B-Instruct，可以使用SiliconFlow平台提供的API，你也可以改为你喜欢的其他模型如DeepSeek，但是建议不要用大炮打蚊子哈。
注册地址：点此注册
(2) Qdrant 作为 向量数据库，可以使用Docker在你本地运行一个：
docker run -p 6333:6333 -p 6334:6334 \
-v $(pwd)/qdrant_storage:/qdrant/storage \
qdrant/qdrant
(3) Ollama 运行 bge-m3 模型 作为 Emedding生成器，可以自行拉取一个在你本地运行：
ollama pull bge-m3
构建你的RAG应用
创建一个控制台应用程序，添加一些必要的文件目录 和 配置文件（json），最终的解决方案如下图所示。
在Documents目录下放了我们要导入的一些pdf文档，例如公司运营手册、员工手册等等。
在Models目录下放了一些公用的model类，其中TextSnippet类作为向量存储的实体类，而TextSearchResult类则作为向量搜索结果的模型类。
（1）TextSnippet
这里我们的TextEmbedding字段就是我们的向量值，它有1024维。
注意：这里的维度是我们自己定义的，你也可以改为你想要的维度数量，但是你的词嵌入模型需要支持你想要的维度数量。
public sealed class TextSnippet<TKey>
{
[VectorStoreRecordKey]
public required TKey Key { get; set; }
[VectorStoreRecordData]
public string? Text { get; set; }
[VectorStoreRecordData]
public string? ReferenceDescription { get; set; }
[VectorStoreRecordData]
public string? ReferenceLink { get; set; }
[VectorStoreRecordVector(Dimensions: 1024)]
public ReadOnlyMemory<float> TextEmbedding { get; set; }
}
（2）TextSearchResult
这个类主要用来返回给LLM做推理用的，我这里只需要三个字段：Value, Link 和 Score 即可。
public class TextSearchResult
{
public string Value { get; set; }
public string? Link { get; set; }
public double? Score { get; set; }
}
（3）RawContent
这个类主要用来在PDF导入时作为一个临时存储源数据文档内容。
public sealed class RawContent
{
public string? Text { get; init; }
public int PageNumber { get; init; }
}
在Plugins目录下放了一些公用的帮助类，如PdfDataLoader可以实现PDF文件的读取和导入向量数据库，VectorDataSearcher可以实现根据用户的query搜索向量数据库获取TopN个近似文档，而UniqueKeyGenerator则用来生成唯一的ID Key。