LangChain 实战：构建你的第一个 RAG 应用
RAG（Retrieval-Augmented Generation）是当前最实用的 LLM 应用模式之一。
什么是 RAG？
RAG 结合了检索和生成两个步骤：
- 从知识库中检索相关文档
- 将检索结果作为上下文传递给 LLM
- LLM 基于上下文生成回答
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
# 加载文档
loader = TextLoader("knowledge.txt")
documents = loader.load()
# 文本分割
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200
)
docs = text_splitter.split_documents(documents)
# 创建向量数据库
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
关键组件
| 组件 | 作用 | 常用选择 |
|---|---|---|
| Document Loader | 加载数据源 | TextLoader, PDFLoader |
| Text Splitter | 分割文本 | RecursiveCharacterTextSplitter |
| Embeddings | 文本向量化 | OpenAI, HuggingFace |
| Vector Store | 存储向量 | FAISS, Chroma, Pinecone |
实际应用场景
- 企业知识库问答
- 文档智能助手
- 客服自动化
- 技术文档搜索
RAG 让 LLM 能够基于最新、最准确的信息回答问题。