毕设记录：用 Python + Chroma + BGE 搭一个电商 RAG 问答小程序

``## 前言

作为一名计算机相关专业的大四学生，毕设选题做了一个男装电商小程序的智能客服问答系统。核心诉求很明确：把商品库、尺码表、退换货政策这些资料变成向量库，让用户用自然语言提问，小程序直接给出答案。

技术选型

后端用 Python，最初考虑 Flask，后来对比了 FastAPI：

• FastAPI：自带异步支持和自动文档（/docs），后续接小程序接口更顺手
• Chroma：本地嵌入式向量库，不需要单独部署服务，适合毕设这种单机演示场景
• BGE 模型：中文 embedding 效果不错，但本地 CPU 跑起来很慢，后面打算改成调用云端 embedding API

整体链路很标准：用户问题 -> embedding -> Chroma 检索 Top-K -> 拼 prompt -> 调用大模型 API -> 返回答案。

踩过的坑

1. 内存：BGE 模型 + 向量库 + Web 框架同时跑，1G 内存的机器基本吃紧，模型只能走 API
2. 切分策略：商品描述和政策文档混在一起切分，检索准确率很低，后来按文档类型分开建 collection 才好转
3. 流量与成本：大模型 API 按 Token 计费，毕设答辩演示阶段要控制调用量，缓存常见问答

下一步

打算把后端部署到华为云的 Flexus 云服务器上（最近领了开发者大赛的云资源券），小程序前端连公网 IP 调试。这个记录边做边更。