SimpleRAG：基于WPF与Semantic Kernel实现的一个简单的RAG应用

SimpleRAG介绍

在人工智能应用落地的过程中，RAG（检索增强生成）已经成了绕不开的关键技术。SimpleRAG正是一个非常适合入门的实战项目——它基于WPF与Semantic Kernel构建，结构清晰，代码简洁，能帮助开发者快速理解如何使用Semantic Kernel搭建一个完整的RAG应用。无论是准备做技术选型验证，还是想亲手跑通整个流程，这都是一份值得参考的范本。

主要功能

AI聊天

底层对话能力方面，SimpleRAG支持所有兼容OpenAI格式的大语言模型。这意味着市面上主流的云服务商和本地部署方案都能无缝接入——只要接口规范一致，替换模型几乎不需要修改业务代码。

文本嵌入

嵌入模型同样采用OpenAI兼容格式，灵活度很高。无论是用商业API还是开源的本地嵌入服务，都能直接对接到项目中来。

简单的RAG回答

来看一组直观对比：启动RAG模式后，回答的上下文相关性和事实准确性明显提升。下图展示了打开RAG前后的差异——左侧是直接让模型回答的效果，右侧是经过检索增强后的结果，信息颗粒度完全不同。

对比不使用RAG的回答：

从源码构建

把项目clone到本地后，第一件事是打开 appsettings.example.json 文件。这个文件就是配置模板，结构如下所示：

配置项分为三块：ChatAI 用于指定对话模型，Embedding 对应嵌入模型，TextChunker 控制文档切片的尺寸。以SiliconCloud平台为例，只需填入你的API Key，然后把文件名改为 appsettings.json（或者直接新建一个同名文件）即可生效。

开发环境方面，推荐使用VS2022 + .NET 8。打开解决方案后，项目结构一目了然：

直接运行程序，进入主界面：

先测试AI聊天功能——输入问题，模型能正常返回结果：

接着测试嵌入功能：

本项目使用Sqlite来存储向量数据。在Debug目录下能找到生成的数据库文件：

打开数据库，可以看到向量数据已经正确写入：

最后验证RAG回答流程——上传文档后提问，系统能基于文档内容给出精准回答：

其他配置

除了在线API，你完全可以根据实际场景自由替换配置。比如在本地离线环境下，可以使用Ollama中提供的对话模型和嵌入模型，只要保持OpenAI兼容的接口格式，改一下配置就能跑起来。同样，也可以切换其他在线服务商，或者把嵌入模型换成本地Ollama版本的——灵活性远比你想象的大。