用途
langchain-rag 是一个面向 RAG(检索增强生成)系统构建的技能,适用于需要让大语言模型基于外部文档回答问题的场景。资料给出的核心流水线分为三段:索引阶段为「加载 → 切分 → 嵌入 → 存储」,检索阶段为「查询 → 嵌入 → 搜索 → 返回文档」,生成阶段为「文档 + 查询 → LLM → 回答」。
主要能力
文档加载:提供 PyPDFLoader(读取 PDF 并返回按页划分的文档)、WebBaseLoader / CheerioWebBaseLoader(抓取网页)、DirectoryLoader 配合 TextLoader(按 glob 模式批量加载目录中的文本文件)等加载器示例,支持从文件、网页、数据库等来源摄取数据。
文本切分:使用 RecursiveCharacterTextSplitter,可配置 chunk_size(每块字符数)、chunk_overlap(块间重叠以保证上下文连续)以及分隔符层级(如 "\n\n"、"\n"、" "、"")。
嵌入:示例使用 OpenAIEmbeddings,模型为 text-embedding-3-small。
向量存储:资料列出四种选择——InMemory 仅存内存、适合测试;FAISS 适合本地高性能场景并支持磁盘持久化;Chroma 适合开发并支持磁盘持久化;Pinecone 适合生产环境的托管云服务。示例给出了 Chroma、FAISS 的 Python 与 JS 创建、保存与加载代码,以及 Pinecone 索引维度配置的说明。
检索:支持 similarity_search 基本搜索与带分数的搜索;支持通过 as_retriever 配置 k 值;支持 MMR 检索(通过 fetch_k、lambda_mult 平衡相关性与多样性);支持基于元数据的过滤查询。
与智能体结合:可将检索封装为工具(Python 用 @tool,JS 用 tool 配合 zod schema),再通过 create_agent / createAgent 构建可调用检索工具的智能体。
使用方式
资料给出 Python 和 JavaScript 两套完整示例:先构造 Document 列表或通过加载器读取文档,用 RecursiveCharacterTextSplitter 切分,用 OpenAIEmbeddings 生成向量并写入向量库,再创建 retriever,最后将检索到的上下文拼入系统提示词交给 ChatOpenAI 生成回答。
注意事项与限制
资料明确列出可调参数(分块大小与重叠、嵌入模型、返回结果数 k、元数据过滤、相似度与 MMR 搜索算法)和不可配置项(嵌入维度由模型决定、不可在同一存储中混用不同模型的嵌入)。常见错误包括:分块过小丢失上下文或过大触及限制,建议 chunk_size 1000、overlap 200(约 10%–20%);重叠为 0 会导致边界处上下文断裂;使用 InMemory 存储在重启后数据丢失;索引与查询必须使用同一嵌入模型;Pinecone 索引维度必须与嵌入向量维度匹配(如默认 1536)。安全方面特别提示:Python 的 FAISS 加载器使用 pickle 序列化元数据,仅在索引目录由自己创建并完全可控时才可启用 allow_dangerous_deserialization=True,不得加载下载、共享或第三方控制的索引;若无法保证来源,应从可信文档重建索引或改用不需要 pickle 反序列化的后端。
资料未提供安装命令、具体收费信息或性能基准。