如果你正在尝试将大语言模型LLM应用到你的业务或项目中大概率会遇到一个核心矛盾模型本身知识有限且可能过时而你的业务数据又无法直接“喂”给它。你可能会想能不能让 AI 只基于我提供的文档来回答问题这个需求正是 RAG 技术要解决的核心痛点。然而当你真正开始动手构建一个 RAG 系统时会发现从“知道概念”到“跑通项目”之间横亘着一条巨大的鸿沟。网上教程要么只讲理论要么只给几行简单的 API 调用代码离一个能处理复杂文档、具备稳定检索能力、可以部署上线的“企业级”系统相去甚远。你可能会陷入一系列具体问题文档到底该怎么切分向量模型怎么选检索出来一堆不相关的内容怎么办整个系统架构应该如何设计本文的目的就是彻底填平这条鸿沟。我将以一个贴近真实企业需求的“智能客服知识库”项目为蓝本手把手带你从零搭建一套完整的 RAG 系统。我们不会停留在调用某个云服务的 API而是深入每一个环节从原始 PDF/Word 文档的处理到文本向量化与存储再到混合检索策略的优化最后集成大模型生成答案。你将获得的不只是一份教程更是一个可复用的、包含最佳实践和避坑指南的项目框架。1. RAG 项目实战我们究竟要解决什么问题在开始写代码之前我们必须明确 RAG 项目的核心目标与常见陷阱。RAG 的全称是“检索增强生成”它听起来很高大上但本质是一个“先查后答”的流程当用户提问时系统先从你的知识库中查找最相关的文档片段然后将这些片段和问题一起交给大模型让模型基于这些“证据”生成答案。这个流程的挑战在于每一个环节都可能成为系统的“短板”文档处理如果切分不合理检索到的可能就是半句话或无效信息。向量化如果嵌入模型不能很好地理解语义那么“苹果公司”和“吃的苹果”可能被误判为相关。检索简单的向量相似度搜索可能被无关但词汇重叠的文档干扰。生成大模型可能会“幻觉”即无视检索到的证据自己编造答案。我们本次要构建的“企业级”项目意味着我们需要系统性地解决这些问题而不仅仅是实现一个能跑通的 Demo。项目的目标是构建一个能够处理公司内部产品手册、技术文档、FAQ 的智能问答系统要求回答准确、有据可依、响应快速。2. RAG 核心概念与架构选型在动手之前我们需要统一技术语言并做出关键选择。核心概念澄清知识库在这里不是指一个数据库软件而是你所有经过处理切分、向量化的文档数据的集合。检索核心是找到与问题最相关的文本块。主流方法是向量检索计算语义相似度常辅以关键词检索如 BM25进行混合以提高召回率。文本向量通过嵌入模型将一段文本转换为一个高维度的数值向量一组数字。语义相似的文本其向量在空间中的距离也更近。技术栈选型基于 Python 生态文档加载与解析LangChain的Document Loaders或LlamaIndex。它们支持 PDF、Word、Markdown、HTML 等多种格式。文本分割LangChain的Text Splitters。我们将使用递归字符分割并尝试语义分割作为优化。嵌入模型开源方案选用BAAI/bge-small-zh-v1.5它对中文语义理解好且本地部署免费。云端方案可选 OpenAItext-embedding-3-small。向量数据库Chroma。它轻量、易用适合快速原型和中小规模项目。生产环境也可考虑Weaviate,Qdrant或Milvus。大语言模型本地部署可选Qwen2-7B-Instruct或ChatGLM3-6B。为简化流程本教程后续演示将使用 OpenAI GPT 系列 API但其调用逻辑与本地模型类似。框架使用LangChain作为编排框架它能将以上组件高效连接减少胶水代码。这个选型平衡了易用性、功能性和学习成本是构建第一个 RAG 项目的合理起点。3. 环境准备与项目初始化确保你的开发环境已就绪。基础环境Python 3.10 或以上版本。pip包管理工具。至少 8GB 可用内存用于运行嵌入模型和 LLM。创建项目并安装依赖 首先创建一个新的项目目录并初始化虚拟环境。mkdir enterprise-rag-tutorial cd enterprise-rag-tutorial python -m venv venv # Windows 激活: venv\Scripts\activate # Linux/Mac 激活: source venv/bin/activate创建requirements.txt文件内容如下langchain0.1.0 langchain-community0.0.10 langchain-openai0.0.5 chromadb0.4.22 sentence-transformers2.2.2 pypdf3.17.4 python-docx1.1.0 tiktoken0.5.1 openai1.12.0 # 可选用于更复杂的文本分割 nltk3.8.1安装依赖pip install -r requirements.txt项目结构预览 在开始前我们先规划好目录这有助于管理代码。enterprise-rag-tutorial/ ├── docs/ # 存放原始文档PDF Word等 ├── data/ # 存放处理后的数据向量库等 ├── src/ │ ├── __init__.py │ ├── document_processor.py # 文档加载与分割 │ ├── vector_store.py # 向量库构建与检索 │ └── rag_chain.py # RAG 链构建 ├── config.py # 配置文件API密钥等 ├── requirements.txt └── main.py # 主程序入口4. 核心流程一文档处理与知识库构建这是 RAG 的基石糟糕的文档处理会直接导致后续检索失败。4.1 文档加载我们创建一个src/document_processor.py文件来处理多种格式的文档。# src/document_processor.py import os from typing import List from langchain_community.document_loaders import PyPDFLoader, Docx2txtLoader, TextLoader from langchain.schema import Document class DocumentProcessor: 文档处理器支持多种格式 staticmethod def load_documents(directory_path: str) - List[Document]: 加载指定目录下的所有支持格式的文档 documents [] for filename in os.listdir(directory_path): file_path os.path.join(directory_path, filename) if filename.endswith(.pdf): loader PyPDFLoader(file_path) docs loader.load() documents.extend(docs) print(f已加载 PDF: {filename}, 页数: {len(docs)}) elif filename.endswith(.docx): loader Docx2txtLoader(file_path) docs loader.load() documents.extend(docs) print(f已加载 Word: {filename}) elif filename.endswith(.txt): loader TextLoader(file_path, encodingutf-8) docs loader.load() documents.extend(docs) print(f已加载 Text: {filename}) else: print(f跳过不支持的文件: {filename}) return documents if __name__ __main__: # 测试代码 processor DocumentProcessor() loaded_docs processor.load_documents(../docs) # 假设文档放在上级docs目录 print(f总共加载了 {len(loaded_docs)} 个文档片段)4.2 文本分割策略直接加载的文档可能很长我们需要将其切分成适合检索的“块”。这里演示两种策略。# 续上 document_processor.py from langchain.text_splitter import RecursiveCharacterTextSplitter, SentenceTransformersTokenTextSplitter class DocumentProcessor: # ... 上面的 load_documents 方法 ... staticmethod def split_documents(documents: List[Document], chunk_size: int 500, chunk_overlap: int 50, use_semantic_split: bool False) - List[Document]: 分割文档。 Args: chunk_size: 每个块的最大字符数对于语义分割是token数 chunk_overlap: 块之间的重叠字符数或token数 use_semantic_split: 是否使用基于语义的分割更智能但更慢 text_splitter None if use_semantic_split: # 需要安装 sentence-transformers它按语义边界如句子分割 # 注意这里的 chunk_size 指的是 token 数而非字符数 text_splitter SentenceTransformersTokenTextSplitter( model_nameBAAI/bge-small-zh-v1.5, # 用同一个嵌入模型来分词 chunk_sizechunk_size, chunk_overlapchunk_overlap ) else: # 递归字符分割按 [\n\n, \n, 。, , , , , ] 顺序尝试分割 text_splitter RecursiveCharacterTextSplitter( chunk_sizechunk_size, chunk_overlapchunk_overlap, separators[\n\n, \n, 。, , , , , ] ) split_docs text_splitter.split_documents(documents) print(f文档分割完成共生成 {len(split_docs)} 个文本块。) return split_docs关键选择对于通用中文文档chunk_size500, chunk_overlap50是一个不错的起点。use_semantic_splitTrue效果更好但首次运行需要下载模型且速度较慢。初期建议先用递归字符分割跑通流程。5. 核心流程二向量化与向量数据库存储文本块准备好后需要将它们转换为向量并存储起来。5.1 初始化嵌入模型与向量数据库创建src/vector_store.py。# src/vector_store.py import os from typing import List, Tuple from langchain.schema import Document from langchain.embeddings import HuggingFaceEmbeddings, OpenAIEmbeddings from langchain.vectorstores import Chroma class VectorStoreManager: 向量存储管理器 def __init__(self, persist_directory: str ./data/chroma_db, embedding_model_type: str openai): # 可选 huggingface 初始化向量存储。 Args: persist_directory: 向量数据库持久化目录 embedding_model_type: 嵌入模型类型 self.persist_directory persist_directory self.embedding_model_type embedding_model_type self.embeddings self._init_embedding_model() self.vector_store None def _init_embedding_model(self): 初始化嵌入模型 if self.embedding_model_type huggingface: # 使用本地 HuggingFace 模型 model_name BAAI/bge-small-zh-v1.5 model_kwargs {device: cpu} # 有GPU可改为 cuda encode_kwargs {normalize_embeddings: True} # 归一化有益于相似度计算 return HuggingFaceEmbeddings( model_namemodel_name, model_kwargsmodel_kwargs, encode_kwargsencode_kwargs ) elif self.embedding_model_type openai: # 使用 OpenAI 嵌入模型需要在环境变量设置 OPENAI_API_KEY from langchain_openai import OpenAIEmbeddings return OpenAIEmbeddings(modeltext-embedding-3-small) else: raise ValueError(f不支持的嵌入模型类型: {self.embedding_model_type}) def create_and_persist_from_documents(self, documents: List[Document]): 从文档创建向量存储并持久化 print(开始创建向量存储...) self.vector_store Chroma.from_documents( documentsdocuments, embeddingself.embeddings, persist_directoryself.persist_directory ) # Chroma 的 persist() 方法已集成在 from_documents 中但显式调用确保保存 self.vector_store.persist() print(f向量存储已创建并保存至 {self.persist_directory}) return self.vector_store def load_existing_vector_store(self): 加载已存在的向量存储 if not os.path.exists(self.persist_directory): raise FileNotFoundError(f持久化目录不存在: {self.persist_directory}) self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) print(f已从 {self.persist_directory} 加载向量存储) return self.vector_store def similarity_search(self, query: str, k: int 4) - List[Tuple[Document, float]]: 相似度搜索返回文档和分数 if self.vector_store is None: raise ValueError(向量存储未初始化请先创建或加载。) results self.vector_store.similarity_search_with_relevance_scores(query, kk) return results def get_retriever(self, search_type: str similarity, k: int 4): 获取检索器便于集成到 LangChain Chain 中 if self.vector_store is None: raise ValueError(向量存储未初始化。) # 可以配置不同的搜索类型如 mmr (最大边际相关性) 去重 search_kwargs {k: k} if search_type mmr: search_kwargs.update({fetch_k: k*2, lambda_mult: 0.7}) # fetch_k 应大于 k return self.vector_store.as_retriever( search_typesearch_type, search_kwargssearch_kwargs )5.2 构建知识库现在我们将前两步串联起来构建完整的知识库。创建一个build_knowledge_base.py脚本。# build_knowledge_base.py import sys sys.path.append(.) # 将项目根目录加入路径 from src.document_processor import DocumentProcessor from src.vector_store import VectorStoreManager def main(): # 1. 加载文档 print(步骤1: 加载文档...) processor DocumentProcessor() raw_docs processor.load_documents(./docs) # 你的文档目录 if not raw_docs: print(未找到任何文档请将 PDF/Word/TXT 文件放入 ./docs 目录) return # 2. 分割文档 print(\n步骤2: 分割文档...) split_docs processor.split_documents( raw_docs, chunk_size500, chunk_overlap50, use_semantic_splitFalse # 首次构建为求速度先用递归分割 ) # 3. 创建向量存储 print(\n步骤3: 创建并持久化向量存储...) vs_manager VectorStoreManager( persist_directory./data/chroma_db, embedding_model_typehuggingface # 使用本地模型 ) vs_manager.create_and_persist_from_documents(split_docs) print(\n知识库构建完成) if __name__ __main__: main()运行此脚本前请确保在./docs目录下放置了一些测试文档如 PDF 产品手册。然后执行python build_knowledge_base.py如果一切顺利你会在./data/chroma_db目录下看到 Chroma 数据库文件。6. 核心流程三实现混合检索与 RAG 链单纯的向量相似度搜索有时会被“词汇陷阱”干扰。我们引入关键词检索BM25进行混合提升召回质量。6.1 实现混合检索器首先我们需要安装rank_bm25库。pip install rank-bm25然后在src/vector_store.py的VectorStoreManager类中添加混合检索方法。# 在 vector_store.py 中新增导入和类方法 from rank_bm25 import BM25Okapi import jieba # 用于中文分词 class VectorStoreManager: # ... 之前的代码 ... def _get_bm25_retriever(self, documents: List[Document], k: int 4): 创建一个基于 BM25 的检索器临时用于混合 # 准备文本和分词 corpus [doc.page_content for doc in documents] tokenized_corpus [list(jieba.cut_for_search(doc)) for doc in corpus] bm25 BM25Okapi(tokenized_corpus) def bm25_retriever(query: str): tokenized_query list(jieba.cut_for_search(query)) doc_scores bm25.get_scores(tokenized_query) # 获取 top-k 索引 top_k_indices sorted(range(len(doc_scores)), keylambda i: doc_scores[i], reverseTrue)[:k] results [(documents[i], doc_scores[i]) for i in top_k_indices] return results return bm25_retriever def hybrid_search(self, query: str, k: int 4, alpha: float 0.7) - List[Document]: 混合检索结合向量搜索和 BM25 搜索。 Args: query: 查询文本 k: 最终返回的文档数量 alpha: 向量搜索分数的权重 (0-1)BM25权重为 (1-alpha) # 1. 向量搜索 vector_results self.similarity_search(query, kk*2) # 多取一些候选 vector_dict {doc.page_content: (doc, score) for doc, score in vector_results} # 2. BM25 搜索 (需要所有文档内容这里假设我们存储了) # 注意生产环境应预先构建 BM25 索引。这里为演示我们临时从向量库获取所有文档仅适合小规模。 if not hasattr(self, _all_docs_for_bm25): # 这是一个简化实现。实际项目中应在构建向量库时同步保存文档列表。 # 这里我们假设可以通过某种方式获取所有原始文档块例如从属性中。 # 为了演示我们模拟一个文档列表。真实场景需要修改。 print(警告混合检索中的BM25使用了模拟数据生产环境需优化。) # 模拟数据实际应从持久化存储读取 self._all_docs_for_bm25 [] bm25_retriever self._get_bm25_retriever(self._all_docs_for_bm25, kk*2) bm25_results bm25_retriever(query) bm25_dict {doc.page_content: (doc, score) for doc, score in bm25_results} # 3. 分数融合 (RRF: Reciprocal Rank Fusion 是另一种常用方法这里用加权平均简化) all_contents set(list(vector_dict.keys()) list(bm25_dict.keys())) fused_scores [] for content in all_contents: vector_score vector_dict.get(content, (None, 0.0))[1] bm25_score bm25_dict.get(content, (None, 0.0))[1] # 归一化处理简化假设分数已在合理范围 fused_score alpha * vector_score (1 - alpha) * bm25_score doc vector_dict.get(content, (None, None))[0] or bm25_dict.get(content, (None, None))[0] if doc: fused_scores.append((doc, fused_score)) # 4. 按融合分数排序并返回 top-k fused_scores.sort(keylambda x: x[1], reverseTrue) return [doc for doc, _ in fused_scores[:k]]重要说明上述混合检索的实现是概念演示。在生产环境中你需要在构建知识库时将文档块列表持久化例如保存为.pkl文件。加载向量库时同步加载文档块列表用于 BM25。使用更成熟的分数融合策略如 RRF。6.2 构建完整的 RAG 链创建src/rag_chain.py这里我们将使用 LangChain 的 LCEL 来组合检索和生成。# src/rag_chain.py from langchain.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain.schema.runnable import RunnablePassthrough from langchain.schema.output_parser import StrOutputParser from typing import List from src.vector_store import VectorStoreManager class RAGChainBuilder: 构建 RAG 对话链 def __init__(self, vector_store_manager: VectorStoreManager, llm_model_name: str gpt-3.5-turbo): self.vs_manager vector_store_manager self.llm ChatOpenAI(modelllm_model_name, temperature0.1) # temperature 低答案更确定 # 定义提示词模板 self.prompt_template ChatPromptTemplate.from_messages([ (system, 你是一个专业的客服助手请严格根据以下上下文信息来回答问题。如果上下文信息中没有相关答案请直接说“根据现有资料我无法回答这个问题”不要编造信息。 上下文信息 {context} ), (human, 问题{question}) ]) def format_docs(self, docs: List) - str: 将检索到的文档列表格式化为字符串 return \n\n.join([f【片段 {i1}】{doc.page_content} for i, doc in enumerate(docs)]) def get_simple_rag_chain(self, search_type: str similarity, k: int 4): 获取基础的 RAG 链使用向量检索器 retriever self.vs_manager.get_retriever(search_typesearch_type, kk) rag_chain ( {context: retriever | self.format_docs, question: RunnablePassthrough()} | self.prompt_template | self.llm | StrOutputParser() ) return rag_chain def get_hybrid_rag_chain(self, k: int 4, alpha: float 0.7): 获取混合检索的 RAG 链自定义检索步骤 def custom_retriever(question: str): docs self.vs_manager.hybrid_search(question, kk, alphaalpha) return docs rag_chain ( {context: lambda x: self.format_docs(custom_retriever(x[question])), question: lambda x: x[question]} | self.prompt_template | self.llm | StrOutputParser() ) return rag_chain7. 运行与效果验证打造问答接口现在让我们创建一个主程序来测试整个 RAG 系统。# main.py import sys sys.path.append(.) from src.vector_store import VectorStoreManager from src.rag_chain import RAGChainBuilder import os # 配置 OpenAI API Key (如果使用 OpenAI LLM) os.environ[OPENAI_API_KEY] 你的-OpenAI-API-Key # 请替换为你的密钥 def main(): print( 企业级 RAG 知识库问答系统 ) # 1. 加载已构建的向量知识库 print(正在加载向量知识库...) vs_manager VectorStoreManager( persist_directory./data/chroma_db, embedding_model_typehuggingface ) try: vs_manager.load_existing_vector_store() print(知识库加载成功) except Exception as e: print(f加载知识库失败: {e}) print(请先运行 python build_knowledge_base.py 构建知识库。) return # 2. 构建 RAG 链 print(\n正在初始化 RAG 引擎...) rag_builder RAGChainBuilder(vs_manager, llm_model_namegpt-3.5-turbo) # 选择链的类型 use_hybrid True # 设置为 False 使用纯向量检索 if use_hybrid: print(使用混合检索模式 (向量 BM25)...) rag_chain rag_builder.get_hybrid_rag_chain(k4, alpha0.7) else: print(使用向量相似度检索模式...) rag_chain rag_builder.get_simple_rag_chain(search_typesimilarity, k4) # 3. 交互式问答 print(\n系统已就绪请输入你的问题输入 quit 退出) print(- * 50) while True: question input(\n你问: ).strip() if question.lower() in [quit, exit, q]: print(再见) break if not question: continue print(思考中...) try: answer rag_chain.invoke({question: question}) print(f\n助手答: {answer}) except Exception as e: print(f出错: {e}) if __name__ __main__: main()运行与验证确保你已按照第5步构建了知识库。在main.py中填入有效的 OpenAI API Key如果你使用本地模型需要修改RAGChainBuilder中的llm初始化部分例如使用ChatOllama或ChatOpenAI配合本地 API 服务器。运行程序python main.py输入基于你知识库文档内容的问题。例如如果你的文档是关于“某软件安装指南”可以问“安装该软件需要什么系统要求”。观察系统是否能从文档中检索到正确信息并生成答案。验证成功的关键点答案应直接来源于你的文档。对于文档中不存在的信息模型应拒绝回答或明确说明。响应速度应在可接受范围内首次检索因加载模型可能较慢。8. 常见问题与排查思路在构建和运行过程中你几乎一定会遇到以下问题。这里提供排查思路。问题现象可能原因排查方式解决方案运行build_knowledge_base.py时提示缺少依赖未安装全部依赖包检查requirements.txt和错误信息使用pip install -r requirements.txt安装所有依赖。注意 Python 版本。加载 PDF 文档失败或乱码PDF 文件加密、损坏或包含扫描图片尝试用其他 PDF 阅读器打开查看控制台详细错误对于加密 PDF 需密码对于扫描件需要使用 OCR 工具如pytesseract先提取文字。向量化过程非常慢使用了较大的本地嵌入模型或文档量巨大观察 CPU/GPU 占用查看处理进度1. 首次使用sentence-transformers会下载模型耐心等待。2. 考虑使用更小的模型如paraphrase-multilingual-MiniLM-L12-v2。3. 对于大批量文档考虑分批次处理或使用云端嵌入 API。检索结果完全不相关1. 文本分割不合理块太大或太小2. 嵌入模型不匹配如用英文模型处理中文3. 查询表述与文档差异大1. 打印出被检索到的文本块内容。2. 检查嵌入模型名称。3. 尝试用文档中的原句提问。1. 调整chunk_size和chunk_overlap。2. 确保使用多语言或中文优化的嵌入模型如BAAI/bge-*系列。3. 在检索前对查询进行扩展或重写查询增强。大模型回答“根据现有资料无法回答”但你知道文档里有1. 检索到的片段不包含答案。2. 答案分散在多个片段中。3. 提示词限制了模型。1. 检查format_docs函数输出的上下文。2. 增加检索数量k。3. 尝试更详细的提示词。1. 优化检索尝试混合检索、调整k值。2. 使用Map-Reduce或Refine等复杂文档链来处理多文档答案。3. 微调提示词鼓励模型综合信息。程序报错OpenAI API相关错误API Key 未设置、无效、或余额不足检查环境变量OPENAI_API_KEY访问 OpenAI 平台查看额度。1. 正确设置 API Key。2. 如需使用本地模型修改代码切换 LLM。Chroma 数据库加载失败持久化目录路径错误或数据库文件损坏检查./data/chroma_db目录是否存在及是否包含chroma.sqlite3等文件。1. 确保路径正确。2. 尝试删除./data/chroma_db目录重新运行构建脚本。9. 企业级最佳实践与进阶优化一个可上线的 RAG 系统还需要考虑更多工程化问题。1. 文档预处理增强清理与标准化去除页眉页脚、冗余空格、特殊字符。元数据提取在分割时保留文件名、章节标题、页码等信息存入向量库的metadata字段便于后续过滤和引用。表格处理使用unstructured、tabula-py等库专门处理 PDF 中的表格。2. 检索策略优化多路召回与重排序除了向量和 BM25还可以加入基于规则的召回。将所有候选结果汇总后用一个更精细的“重排序模型”进行打分排序。查询扩展使用 LLM 对原始查询进行改写或生成多个相关问题并行检索后合并结果。元数据过滤例如限定只在“用户手册第3章”中检索。3. 生成阶段控制引用溯源要求模型在答案中标注引用的来源片段编号或页码。这需要在提示词中设计并将元数据传递给模型。避免幻觉在提示词中强化指令如“必须严格基于上下文”“如果上下文未提供足够信息请明确说明”。流式输出对于长答案使用 LangChain 的stream接口实现逐词输出提升用户体验。4. 系统监控与评估日志记录记录每一次问答的查询、检索到的文档、生成的答案、耗时。评估指标定义并定期计算“检索命中率”、“答案相关性”、“事实准确性”等指标。AB测试对比不同分割策略、嵌入模型、检索算法对效果的影响。5. 生产环境部署服务化使用FastAPI将 RAG 系统封装成 RESTful API。异步处理对于耗时的嵌入和 LLM 调用使用异步框架如asyncio提高并发能力。向量数据库升级当数据量超过百万级时考虑迁移到Milvus、Qdrant等支持分布式和高级索引的向量数据库。缓存对常见查询的结果进行缓存减少重复计算。6. 安全与权限输入检查对用户查询进行敏感词过滤和长度限制。知识库隔离根据不同用户或部门构建不同的向量库索引实现数据隔离。API 限流与鉴权在 API 网关层实施速率限制和身份验证。构建一个健壮的企业级 RAG 系统是一个迭代过程。建议从本文提供的完整可运行原型出发根据你的具体数据、业务场景和性能要求逐一实施上述优化点。记住没有“银弹”持续的评估、测试和调优才是成功的关键。希望这个从零到一的实战指南能为你打下坚实的基础让你在驾驭大模型与私有知识结合的道路上走得更加顺畅。建议收藏本文在后续的实践过程中随时参考。