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 PDF：
from 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_content="LangChain 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_size=500, chunk_overlap=80, 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_name="BAAI/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 Chroma：
from langchain_chroma import Chroma vector_store = Chroma.from_documents( documents=chunks, embedding=embeddings, collection_name="rag_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 Chunk；
metadata；- 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_type="similarity", 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_func=jieba.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, start=1): 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 Chunk；
- Embedding 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。
