本文详细介绍了使用 LangChain 构建 RAG检索增强生成知识库的完整流程。从读取 PDF、Word 等文档到转换为 Document 对象再到文本切分、向量化、向量存储和检索每一步都结合 LangChain 的具体组件和代码示例进行说明。特别强调了混合检索的重要性结合向量检索和 BM25 关键词检索提升检索效果。适合想要学习大模型应用和知识库搭建的程序员或小白参考文章内容实用且易于理解值得收藏搭建 RAG 知识库时很多人首先会遇到一个问题能不能直接把一份 PDF、Word 或 Markdown 文档交给大模型通常不建议这样做。一份文档可能有几十页甚至几百页不仅容易超过模型的上下文长度而且用户提出的问题往往只和其中几个段落有关。如果每次都把整份文档交给大模型不仅成本更高还容易受到无关内容干扰。因此在正式问答之前需要先把原始文件处理成可以被检索的知识。LangChain 提供了文档加载、文本切分、向量化、向量存储和检索等组件可以把整个处理过程串联起来一、读取文件获取原始文档内容第一步是使用 LangChain 的 Document Loader 读取文件。针对不同的数据来源LangChain 提供了不同的 Loader例如TextLoader读取 TXT 文件PyPDFLoader读取 PDF 文件CSVLoader读取 CSV 文件WebBaseLoader读取网页内容UnstructuredWordDocumentLoader读取 Word 文件。例如使用PyPDFLoader读取一份 PDFfrom langchain_community.document_loaders import PyPDFLoader loader PyPDFLoader(knowledge.pdf) documents loader.load()load()会读取文件内容并将结果转换成 LangChain 后续组件能够处理的Document对象。print(len(documents)) print(documents[0].page_content) print(documents[0].metadata)对于普通文本和结构简单的 PDF可以直接使用 LangChain Loader。如果 PDF 中包含复杂表格、多栏排版、图片或扫描内容一般会使用 LangChain 集成的 Docling、Unstructured 等非结构化文档解析工具尽可能保留原始文档结构再进入后续处理流程。二、加载文档转换为 Document 对象在 LangChain 中读取出来的内容不会只用普通字符串表示而是会被统一封装成Document对象。一个Document主要包含两部分from langchain_core.documents import Document document Document( page_contentLangChain 可以用于构建 RAG 应用。, metadata{ source: knowledge.pdf, page: 1, }, )其中page_content保存正文内容metadata保存文件来源、页码、标题等附加信息。可以简单理解为Document 文本内容 来源信息为什么要转换为Document因为系统检索到一段内容后不仅需要知道内容是什么还需要知道它来自哪个文件、位于哪一页以及回答时应该引用哪个来源。同时无论原始内容来自 PDF、Word、网页还是数据库只要统一转换成Document后续就可以使用相同的切分、向量化和检索流程。在 LangChain 中读取文件和转换为Document通常会同时完成documents loader.load()返回结果一般是list[Document]三、文本切分将长文档拆分为 Chunk文档加载完成后通常不能直接对整份长文档进行向量化而是需要先将它拆分成多个较小的文本块也就是 Chunk。这样做的目的是让每个文本块只包含一段相对完整、主题集中的内容从而提高后续检索的准确性。LangChain 常见的文本切分方式包括字符切分按照固定字符数量拆分Token 切分按照模型 Token 数量拆分递归切分依次按照段落、句子和字符拆分结构化切分按照 Markdown 标题、HTML 标签或代码结构拆分语义切分根据文本语义变化确定切分位置。其中普通文本最常用的是RecursiveCharacterTextSplitter。它会优先按照段落和句子切分如果文本仍然过长再继续按照字符切分尽可能保留原有语义。from langchain_text_splitters import RecursiveCharacterTextSplitter splitter RecursiveCharacterTextSplitter( chunk_size500, chunk_overlap80, separators[ /n/n, /n, 。, , , , , , , ], ) chunks splitter.split_documents(documents)这里有两个核心参数chunk_size每个文本块的最大长度chunk_overlap相邻文本块之间重复保留的内容。chunk_overlap可以减少一句话或一个完整概念刚好在切分位置被截断的问题。文本切分并不是越碎越好。Chunk 太大检索结果容易包含无关内容Chunk 太小又可能破坏语义完整性。实际项目中如果处理复杂 PDF、Word 或 PPT一般会先通过 Docling、Unstructured 等工具提取标题、段落和表格结构再使用 LangChain 进行二次切分。四、向量化与存储构建可检索的知识索引文本切分完成后我们已经得到多个相对独立的 Chunk。但这些 Chunk 仍然是普通文本计算机无法直接判断两段文字在语义上是否相近。因此需要使用 Embedding 模型把文本转换成一组数字也就是文本向量。例如“LangChain 如何切分文档” ↓ Embedding 模型 ↓ [0.12, -0.38, 0.71, ...]语义越相近的文本生成的向量通常也越接近。例如“如何拆分长文档”和“长文本应该怎样切块”虽然关键词不完全相同但表达的意思接近因此可以通过向量相似度找到彼此。下面使用 LangChain 集成的 Hugging Face Embedding 模型from langchain_huggingface import HuggingFaceEmbeddings embeddings HuggingFaceEmbeddings( model_nameBAAI/bge-m3, encode_kwargs{ normalize_embeddings: True, }, )Embedding 模型不负责生成答案它只负责把文本转换成可以进行相似度计算的向量。生成向量后还需要将向量保存到 Vector Store也就是向量存储中。下面使用 LangChain 集成的 Chromafrom langchain_chroma import Chroma vector_store Chroma.from_documents( documentschunks, embeddingembeddings, collection_namerag_documents, persist_directory./chroma_db, )这段代码会依次完成读取每个 Chunk → 调用 Embedding 模型生成向量 → 保存向量、原文和 metadata向量存储中通常包含文本向量原始 Chunkmetadata文档 ID。检索时用户问题也会使用同一个 Embedding 模型生成查询向量然后在 Vector Store 中搜索相近的文档向量。因此可以把两者的职责理解为Embedding负责表示文本语义Vector Store负责保存和搜索语义向量。五、混合检索同时理解语义和关键词文档完成向量存储后就可以创建 Retriever也就是检索器。Retriever 可以简单理解为接收用户问题并返回相关Document的组件。单独使用向量检索时系统能够理解语义相近但表达不同的问题。但是对于错误码、产品型号、文件编号和专有名词等精确关键词BM25 检索通常更加有效。因此实际 RAG 项目经常把两种检索方式组合起来向量检索负责理解语义BM25负责匹配关键词。这种方式称为混合检索也就是 Hybrid Search。先创建向量检索器vector_retriever vector_store.as_retriever( search_typesimilarity, search_kwargs{k: 4}, )再创建 BM25 检索器import jieba from langchain_community.retrievers import BM25Retriever bm25_retriever BM25Retriever.from_documents( chunks, preprocess_funcjieba.lcut, ) bm25_retriever.k 4对于中文文档需要先进行中文分词因此这里使用jieba.lcut。最后使用EnsembleRetriever融合两种检索结果from langchain_classic.retrievers.ensemble import EnsembleRetriever hybrid_retriever EnsembleRetriever( retrievers[ vector_retriever, bm25_retriever, ], weights[ 0.6, 0.4, ], ) results hybrid_retriever.invoke( E01 故障出现后应该怎样处理 )在这个问题中向量检索可以理解“故障出现后怎样处理”的语义BM25 可以准确匹配“E01”这个关键词EnsembleRetriever再将两种检索结果进行融合和排序。这样既保留了语义检索能力也提高了精确关键词的召回效果。查看检索结果for index, doc in enumerate(results, start1): print(f结果 {index}) print(doc.page_content) print(doc.metadata)Retriever 返回的仍然是相关Document并不是最终答案。六、总结通过 LangChain我们可以把一份普通文档逐步处理成可检索的知识内容。其中Document Loader 负责读取不同类型的文件Document 负责统一保存正文和来源信息Text Splitter 负责将长文档拆分成多个 ChunkEmbedding 模型负责将文本转换为向量Vector Store 负责保存向量、原文和元数据Retriever 负责根据用户问题检索相关内容。对于普通问题可以使用向量检索理解语义对于错误码、型号和专有名词等内容可以加入 BM25 关键词检索再通过EnsembleRetriever融合两种检索结果。到这里我们已经完成了 RAG 中的文档读取、切分、向量化、存储和检索。不过检索返回的仍然只是相关文档片段。完整的 RAG 还需要把这些内容加入 Prompt再交给大语言模型生成最终答案。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
