前几天突发奇想，看看能不能在一行代码都不会写的情况下，弄一个可用的基于RAG 的 AI 问答网站。结果着实让我震惊了一下，仅仅用了2 个小时，AI 就做出了一个可用的产品。
AI 完成了网站的客户端和服务端的所有文件创建，代码编写，实现了真正的基于 RAG 的问答。
我是 cursor 来实现的，让我们看看整个过程是如何完成的。
前端
首先，我告诉 cursor 帮我创建一个网页，很快，它就帮我建好了一个网页，完成了网页端需要的文件创建和代码编写，并告诉我它创建了什么，网页中包含了什么元素等等。
这时候，网页的整体样式还可以，但是还需要很多样式的修改才能产出符合我需求的。比如，我会告诉它，把顶部导航栏的文字替换成我需要的，它就进行相应的调整，修改不同文件中的代码。
再比如，我想要输入框再大一点，宽和高都拉大一些，它也会相应的进行样式调整。
同时，一些你不想要的页面元素告诉它直接去掉就行，它会自己完成多个文件中代码的修改。
其实只要搭出一个差不多的就行，因为我们只是想简单的搭一个 demo， 并不是要把它上线服务用户。最终，我获得了下面这个页面。
服务端
第一次失败尝试
接下来进入真正的挑战，实现服务端的一些功能，并且让网页真正的实现基于 RAG 的问答。
这里我来简单的介绍一下 RAG问答，就是基于已有的知识库，从中检索出和用户问题相关性比较高的文本，将这些文本和用户问题组装成一个提示词，来交给大模型处理，最终返回答案给到用户。这样做的好处是，会提高问题的准确性，不是那种直接问模型的瞎答。
我准备直接让cursor 来做个 RAG 的服务端，给到它如下指令。
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。
很快，它就完成了工作。
但是，各种报错，各种服务不在线，经过各种调整还是不行。我意识到是自己的指令下的太笼统了，它写出了一坨屎山。所以，我索性让它把我让它写得所有服务端代码和文件都删掉。准备开始第二次尝试。
第二次尝试
吸取了第一次的教训后，这次我决定参照人类工程师的工作步骤，给到它一步步的明确指令，让它在本地帮我构建服务端。
如果说你不清楚人类工程师是如何进行工作的，可以尝试问一下大模型，根据模型给出的步骤，发给 cursor。比如：
言归正传，我们一起来看一下 cursor 的实现。
先是创建各种文件和其中代码。
完成后，它会测试系统。
结果发现很多依赖包没装，它会自己安装必要的依赖。
安装完后继续测试，如果出现问题它会找办法解决，但是有的时候需要人来批准，所以还是要看着它干活的。
最终，它完成了服务端的搭建。
但此时模型的调用并不可用，因为它并没有参考各个模型平台的 API 文档，所以我们还是要去想要调用平台找 API 文档看一下。我这里用的是百度的千帆平台，在平台找出调用的代码示例。
如果不清楚怎么用这段代码去替换也没关系，直接发给 cursor，它会帮你在需要替换的文件自己替换。
很快，它就会完成了所有文件中对应代码的调整。
大家进行到这步的时候，记得替换示例代码中的你想调用的模型和 API key。
超强的问题解决能力
过程中可能遇到各种问题，直接描述清楚就可以，基本都可以解决。比如，我上传文件后并没有返回向量数据，我直接把问题发给它，它经过一系列排查后定位到了问题。
我回到千帆平台看了一眼，原来是这个 API key 当时是给其他应用专用的，确实没开全部产品权限……
我更改后又让cursor 试了一下，结果成功返回了向量数据。
最终，问答功能成功的跑了起来，完全是依据已上传文档内容进行作答的，效果如下。
总结一下：
1 cursor 目前已能够一行代码不写的前提下，实现简单的前端和服务端代码；
2 复杂的功能尽可能的拆成步骤，让cursor一步步的去执行，如果不知道怎么拆，就试试问其他大模型；
3 把遇到的问题详尽的描述给它，它会想办法一步步解决；
4 描述的语言其实越精确，效果是越好的。比如“把对话气泡的宽度拉大 100px”效果会好于“把对话气泡拉大一点”；
5 对于 RAG 而言，最难的地方是检索和排序，这个方面我并没有去试它能优化到什么程度，所以最终能实现成什么样，还是未知的。但是，简单的搭出一个能跑的 demo，cursor 的能力已经足够了。
