用 RAG 搭一个世界杯赛事问答助手

世界杯期间，你大概率想随口问点东西：「上届冠军是谁」「这两支队历史交锋几胜几负」「C 组现在积分什么情况」。直接丢给 ChatGPT？它会自信地编——尤其是日期、比分这种具体数字，幻觉率极高。

正确做法是 RAG（检索增强生成）：把权威赛事数据存进向量库，提问时先检索相关资料，再让大模型基于检索到的真实内容回答。这篇带你搭一个不胡说的世界杯问答助手，同时——这点更重要——讲清楚 RAG 在实时数据场景下的真实边界。

如果你对 RAG 框架选型还没概念，可以先扫一眼LlamaIndex vs LangChain 怎么选，这篇直接进入实操。

先分清两类数据：静态的 vs 实时的

这是搭这个系统最关键的认知，想清楚能省掉一半的坑：

静态/慢变数据：球队历史、往届冠军、球员资料、赛程表。这类适合 RAG，存进向量库即可。

实时数据：当前比分、实时积分榜、最新伤停。这类不该塞进向量库——向量检索是为语义相似度设计的，不是为「取最新一条」设计的。实时数据应该走工具调用（function calling）实时查 API。

很多人一上来把比分也 embedding 进去，结果问「现在几比几」答的是三小时前的——因为向量库里那条没更新。记住：RAG 管知识，工具调用管实时。 本文聚焦前者，实时那半见用 LLM Agent 做实时赛事解说。

第一步：准备并切分数据

把赛事资料整理成结构化文本。关键是切分（chunking）要带上下文——每个 chunk 自己得能读懂。

python
每支球队、每届赛事整理成一段自包含的文本
docs = [
    {
        "id": "team-brazil",
        "text": "巴西国家队：五次夺得世界杯冠军（1958、1962、1970、1994、2002），"
                "是夺冠次数最多的球队。绰号桑巴军团，传统打法以技术和进攻著称。"
    },
    {
        "id": "h2h-bra-arg",
        "text": "巴西对阵阿根廷历史交锋：两队是南美双雄，交锋逾百场，"
                "整体战绩接近，巴西略占优。经典战役包括……"
    },
]

切分原则：一个 chunk 一个完整主题，别把「巴西队简介」和「阿根廷队简介」混在一块,否则检索精度会塌。

第二步：向量化并入库

用 embedding 模型把文本转成向量，存进向量库。本地小项目我推荐 Qdrant 或 Chroma，省心（两者区别见Qdrant vs Chroma）。

python
from qdrant_client import QdrantClient
from qdrant_client.models import VectorParams, Distance, PointStruct
from openai import OpenAI
client = QdrantClient(":memory:")  # 生产换成持久化地址
oai = OpenAI()
def embed(text):
    return oai.embeddings.create(
        model="text-embedding-3-small", input=text
    ).data[0].embedding
client.create_collection(
    "worldcup",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE),
)
client.upsert("worldcup", points=[
    PointStruct(id=i, vector=embed(d["text"]), payload=d)
    for i, d in enumerate(docs)
])

第三步：检索 + 生成

提问时，先检索 top-k 相关 chunk，拼进 prompt，再让模型基于它回答。关键是 prompt 里要明确约束「只能用提供的资料，没有就说不知道」——这是压住幻觉的核心。

python
def ask(question, k=3):
    q_vec = embed(question)
    hits = client.search("worldcup", query_vector=q_vec, limit=k)
    context = "\n\n".join(h.payload["text"] for h in hits)
    prompt = f"""你是世界杯资料助手。只能依据下面提供的资料回答，
资料里没有的，直接说「资料中没有相关信息」，绝对不要编造。
资料：
{context}
问题：{question}"""
    resp = oai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0,  # 事实问答，温度调到 0
    )
    return resp.choices[0].message.content
print(ask("巴西一共拿过几次世界杯冠军？"))

temperature=0 很重要：事实问答不需要创造力，调高只会增加跑偏风险。

把幻觉压到最低的几个实战要点

搭起来容易，搭得可信才是难点。几条经验：

强约束 prompt：明确「资料没有就说不知道」。这一条能消掉大半幻觉。

检索不到就别硬答：如果 top-k 的相似度分数都很低（比如低于 0.7），说明知识库里压根没相关内容，直接回退「我不掌握这个信息」，别让模型硬编。

给出处：把命中的 chunk id 一起返回，让用户能核对。这是判别一个 RAG 系统是否专业的标志。

静态数据定期重建索引：赛程变了、出局了，要重新 embedding，否则答的是过期信息。

它能做什么、不能做什么

搭完这套，它能很好地回答：历史战绩、球队资料、赛制规则、往届数据——这些是静态知识，RAG 的主场。

它答不好：当前比分、实时积分、刚刚的红牌——这些得靠工具调用实时查，是另一篇的内容。把两者拼起来，才是一个完整的赛事助手：RAG 管「知识」，Agent 工具调用管「实时」。

想看实时那半怎么做，继续读用 LLM Agent 做实时赛事解说与数据播报；想要全景视角，看AI 与 2026 世界杯应用盘点。