LangChain RAG 完整流程实战解析

前言

在大语言模型（LLM）应用中，一个常见的问题是：模型虽然强大，但它的知识止步于训练数据。如果我们想让模型回答某份文件、公司资料或特定领域的知识，就需要一种机制——让模型先“查资料”，再作答。

这正是 RAG（Retrieval-Augmented Generation，检索增强生成） 的核心思想。
RAG 技术通过在生成阶段引入检索模块，让模型在回答之前访问外部文档，从而实现“带知识”的智能问答。

本文将结合一段完整的 LangChain 实战代码，一步步解析 RAG 的构建过程。

---

1. RAG 的核心流程概述

RAG 可以分为四个主要阶段：

阶段	功能描述	在程序中的对应组件
1. 数据准备	加载原始文本文件或资料	TextLoader
2. 文本切分	将文档分成更小的语义块	CharacterTextSplitter
3. 向量化与索引	将文本转为语义向量并存储	OpenAIEmbeddings + FAISS
4. 检索与生成	基于用户问题检索并生成回答	retriever + ChatOpenAI

LangChain 将这些步骤封装成可组合的模块，让我们能快速构建端到端的智能问答系统。

---

2. 实战代码：从文件到回答

下面的示例程序完整演示了一个基于 LangChain + OpenAI + FAISS 的 RAG 流程。

  1. 导入所有需要的包
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.vectorstores import FAISS
import os
import dotenvdotenv.load_dotenv()2. 自定义提示词模板
prompt_template = """请使用以下提供的文本内容来回答问题。
仅使用提供的文本信息，如果文本中没有相关信息，请回答"抱歉，提供的文本中没有这个信息"。
文本内容：
{context}
问题：{question}
回答：
"
"""
prompt = PromptTemplate.from_template(prompt_template)3. 初始化模型
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
embedding_model = OpenAIEmbeddings(model="text-embedding-3-large")4. 加载文档
loader = TextLoader("./test_doc.txt", encoding='utf-8')
documents = loader.load()5. 分割文档
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
texts = text_splitter.split_documents(documents)6. 创建向量数据库
vectorstore = FAISS.from_documents(documents=texts, embedding=embedding_model)7. 获取检索器
retriever = vectorstore.as_retriever()
docs = retriever.invoke("长江流域有哪些著名的城市？")8. 构建 RAG 链
chain = prompt | llm9. 提问与回答
result = chain.invoke(input={"question": "长江流域有哪些著名的城市？","context": docs
})
print("\n回答:", result.content)

---

3. 阶段解析

3.1 加载文档（Document Loading）

loader = TextLoader("./test_doc.txt", encoding='utf-8')
documents = loader.load()

LangChain 提供了统一的 Document 加载接口，无论是 TXT、PDF、CSV 还是网页内容，都可以通过不同的 Loader 读取成 Document 对象：

[Document(page_content="文档内容...", metadata={'source': './test_doc.txt'})
]

这一步是构建知识源的起点。

---

3.2 文本切分（Text Splitting）

text_splitter = CharacterTextSplitter(chunk_size=1000,chunk_overlap=100,
)
texts = text_splitter.split_documents(documents)

由于 LLM 的上下文长度有限，我们不能直接把整份文档喂给模型。
CharacterTextSplitter 将长文本分为若干个小块：

• chunk_size=1000：每个片段最大 1000 字符；
• chunk_overlap=100：片段之间保留 100 字符的重叠，确保语义连续。

结果是一组可独立使用的语义单元，供后续的向量化阶段使用。

---

3.3 向量化与索引（Vectorization & Indexing）

embedding_model = OpenAIEmbeddings(model="text-embedding-3-large")
vectorstore = FAISS.from_documents(documents=texts, embedding=embedding_model)

每个文本片段会被转换为一个 语义向量（embedding），即在高维空间中的数值表示。
模型 text-embedding-3-large 可以将语义相近的文本映射到相近的向量空间中。

然后，我们将这些向量存储在 FAISS（Facebook AI Similarity Search） 向量数据库中，以便后续高效检索。

例如：

文本片段: "长江流域包括武汉、南京、上海等城市"
向量表示: [0.12, -0.45, 0.78, ...]

---

3.4 检索相关内容（Retrieval）

retriever = vectorstore.as_retriever()
docs = retriever.invoke("长江流域有哪些著名的城市？")

当用户提出问题时，LangChain 会：

1. 将问题向量化；
2. 在 FAISS 向量数据库中查找最相似的文本；
3. 返回若干相关片段作为“上下文”。

RAG 的检索部分就完成了。接下来模型会基于这些文本作答。

---

3.5 生成回答（Generation）

prompt_template = """请使用以下提供的文本内容来回答问题...
"""
chain = prompt | llm
result = chain.invoke({"question": "长江流域有哪些著名的城市？","context": docs
})

这里用 PromptTemplate 定义了严格的回答格式，确保模型只引用提供的文档信息。
chain = prompt | llm 表示将两个模块串联成 可执行链（Runnable Chain），
输入的 question 与 context 会自动填入模板中，然后交由模型生成最终答案。

最终输出的结果是：

回答: 根据提供的文本，长江流域的著名城市包括武汉、南京、重庆和上海等。

---

4. LangChain RAG 流程示意图

        ┌────────────────────┐│ 原始文档 (txt/pdf) │└────────┬───────────┘│┌────────▼───────────┐│ 文本切分 (chunks)  │└────────┬───────────┘│┌────────▼───────────┐│ 向量化 (embedding) │└────────┬───────────┘│┌────────▼───────────┐│ 向量数据库 (FAISS) │└────────┬───────────┘│用户提问 ─────►│ 相似度检索 (Retriever) │└────────┬───────────┘│┌─────────────────▼──────────────────┐│ LLM 生成回答 (Prompt + ChatOpenAI) │└────────────────────────────────────┘

---

5. 总结：RAG 的价值与应用场景

通过本示例可以看到，LangChain 的 RAG 体系让我们能够快速构建基于知识库的问答系统。
它的核心优势包括：

1. ✅ 知识可控：回答仅来源于提供的文档；
2. ✅ 减少幻觉：避免模型胡编乱造；
3. ✅ 便于扩展：新增文档无需重新训练；
4. ✅ 多场景适用：企业文档问答、学术知识库、产品说明书智能客服等。

RAG 是连接 LLM 通用能力 与 领域知识专属能力 的关键技术。

---

6. 参考资料

1 LangChain 官方文档 - Question Answering
2 OpenAI Embeddings 官方指南
3 FAISS 向量数据库官方文档
4 LangChain Expression Language (LCEL)