零代码搭建 RAG 问答系统：2 小时搞定前端 + 服务端全流程

本教程将带你使用 Cursor（一款 AI 编程助手）在一行代码都不写的情况下，搭建一个可用的基于 RAG 的 AI 问答网站。整个过程只需约 2 小时，你只需要用自然语言向 Cursor 描述需求，它就能自动创建网页前端和服务端，并处理多数调试工作。

一、准备工作

• 安装并打开 Cursor（下载地址可在官网获取）。
• 准备好一个可用的 API Key（例如百度千帆平台的 API Key），后续会用到。
• 确保本地网络可以访问模型平台（如千帆、阿里通义等）。

小提示： 如果你不清楚大模型 API 的调用方式，可以先到对应平台（如百度千帆、阿里灵积）查看 API 文档，示例代码在后续步骤会直接交给 Cursor 处理。

二、前端搭建：让 Cursor 帮你生成网页

1. 告诉 Cursor 你要一个什么网页
   例如：帮我创建一个 RAG 问答网页，包含输入框、发送按钮和对话气泡展示区，顶部导航栏显示“我的智能问答”。
   Cursor 会立刻创建 HTML、CSS、JS 文件，并展示预览。
2. 按需调整样式
   你可以继续提要求，比如：“顶部导航栏的文字改成‘企业知识助手’”、“输入框宽度放大到 600 像素，高度增加到 150 像素”、“去掉页面右下角的页脚信息”。Cursor 会自动修改对应代码并实时更新预览。
3. 最终效果检查
   调整到基本满意后，你就能得到一个类似下图的简易问答页面（截图示意）：

   

小提示： 搭建 demo 不需要追求 100% 完美 UI，重点是把功能跑通。后续可以通过细化指令持续优化。

三、服务端搭建：第一次尝试（失败）

RAG 问答的原理：
RAG （Retrieval-Augmented Generation） 是基于已有知识库，先检索与用户问题最相关的文本片段，再将文本和问题组装成提示词发给大模型，从而得到更准确、不瞎答的答案。

我直接给 Cursor 一条笼统的指令：
这个页面中的问答功能是基于 RAG 实现的，我要在本地搭建一个服务端，你来帮我创建相关的文件并写进去对应代码，要有接口，向量化模型我想用 BGE，语言模型我要用 qwen 的。

结果：Cursor 很快写好了代码，但运行后 各种报错（依赖缺失、服务无法启动、接口调用失败）。
我意识到指令太模糊，它生成了大量不规范代码。于是我让 Cursor 删掉所有服务端文件，重新开始。

常见问题： 为什么第一次会失败？
答案：因为 Cursor 在接到一个复杂、笼统的任务时，容易生成冗余或不符合实际环境的代码。后续我们需要像真工程师一样，拆分步骤，逐个实现。

四、服务端搭建：第二次尝试（成功）

4.1 制定步骤

如果你不清楚工程师应该怎么做，可以先问另一个大模型（如 ChatGPT）：“用 Python 搭建一个 RAG 问答服务端，一般分哪几步？” 然后将得到的步骤发给 Cursor。

4.2 让 Cursor 逐步执行

1. 创建项目结构和核心文件
   指令示例：在当前目录下创建一个名为 ‘rag_server’ 的文件夹，里面创建一个 app.py 用于主入口，一个 rag.py 用于检索逻辑，一个 config.py 用于配置参数。并写入基础的 Flask 框架代码。
   Cursor 会创建文件并写入代码。
2. 安装依赖并测试
   Cursor 会自动检测缺少的库（如 flask, sentence-transformers, requests 等），并尝试安装。安装过程中可能需要你确认（点击允许）。
3. 集成向量化模型和语言模型
   告诉 Cursor：
   在 rag.py 中，使用 sentence-transformers 库加载 BGE 模型（模型名：BAAI/bge-small-zh-v1.5），并写一个函数将文本向量化。在 app.py 中创建一个接口 /api/ask，接收用户问题，调用检索函数从知识库中返回 top 3 相关文档，再调用 qwen 模型（通过 httpx 请求阿里通义千问 API）生成回答。
4. 测试接口
   Cursor 会执行测试脚本，如果遇到错误（如 API Key 未设置、模型下载失败），它通常会提示具体问题，你只需根据提示修正即可。

4.3 替换真实的 API 调用代码

因为 Cursor 不知道各平台的 API 格式，所以你需要去你选择的模型平台（例如百度千帆）查看 API 示例代码，然后将示例代码直接复制给 Cursor，并说：“请把 app.py 中的 qwen 模型调用部分替换成这段百度千帆的 API 调用代码”。Cursor 会自动完成替换。

替换后，记得在代码中填入你自己的 API Key 和模型名称（如果 Cursor 没有自动填写，手动改一下即可）。

五、超强的问题解决能力

在运行过程中你可能遇到各种问题，例如：上传文件后没有返回向量数据。直接将错误描述发给 Cursor：
我上传了一个 txt 文件，调用 /api/upload 接口后，返回的向量数据为空，请帮我排查原因。
Cursor 会检查代码逻辑、打印调试信息，甚至发现是 API Key 没有开通对应产品权限（比如用于其他应用的 Key 未开启向量模型权限）。去千帆平台修改权限后，问题解决。

小提示： 遇到问题时，描述越具体越好。例如：“文件上传后，服务器日志显示‘index 404’错误” 比 “存在问题” 更有效。

六、最终效果验证

经过以上步骤，你的 RAG 问答系统成功运行。在前端网页输入问题，AI 会完全依据你上传的文档内容给出答案，而不是胡乱编造。效果如下截图所示（运行成功界面）。

七、常见问题与经验总结

常见问题

• Q：Cursor 自动安装依赖时一直失败怎么办？
  A：手动在终端执行 pip install 包名 安装，然后让 Cursor 继续运行。或者为 Cursor 指定使用 pip install -r requirements.txt。
• Q：API Key 放哪里最安全？
  A：不要写在代码里，可以用环境变量。例如在 config.py 中 API_KEY=os.getenv(“API_KEY”)，让 Cursor 帮你在 .env 文件中配置。
• Q：第一次尝试失败后，怎么让 Cursor 彻底删除旧代码？
  A：直接说：“请删除目前 rag_server 文件夹中所有文件，然后重新创建干净的代码结构”。Cursor 会执行文件删除。
• Q：想用其他向量模型（如 text2vec-base-chinese）怎么办？
  A：把模型名称告诉 Cursor，它会自动调整代码中加载模型的路径和参数。

核心经验总结

• 1. 零代码门槛： Cursor 目前已经能在一行代码都不写的前提下，完成简单前端和服务端代码的生成与修改。
• 2. 步骤拆分是关键： 复杂功能一定要拆成小步骤，逐条让 Cursor 执行。如果你不知道怎么拆，可以先问问其他大模型。
• 3. 问题描述要详尽： 把遇到的问题、错误日志、期待结果描述清楚，Cursor 会自主排查并给出解决方案。
• 4. 指令越精确越好： 例如 把对话气泡的宽度拉大 100 像素 效果远好于 拉大一点。
• 5. 注意性能边界： RAG 的检索和排序是难点，Cursor 目前的优化能力有限，但搭建一个能跑的 demo 完全足够。若需生产级优化，还需人工介入。

通过本教程，你已经学会用 AI 工具 Cursor 零代码构建一个完整的 RAG 问答系统。未来当你想快速验证某个想法或搭建内部工具时，这个方法能极大节省时间。现在就去尝试吧！