langchain-rag

用途：在构建任何检索增强生成（RAG）系统时调用该技能，指导完成从数据摄取到生成回答的完整流程。

主要能力：

1. 文档加载：支持文件、网页、数据库等来源，示例含 PyPDFLoader、WebBaseLoader、DirectoryLoader 与 TextLoader。
2. 文本切分：使用 RecursiveCharacterTextSplitter，可配置 chunk_size、chunk_overlap 与分隔符层级。
3. 嵌入：使用 OpenAI 嵌入模型（如 text-embedding-3-small）。
4. 向量存储：InMemory（仅内存，适合测试）、FAISS（本地高性能，可存磁盘）、Chroma（开发，可持久化）、Pinecone（生产托管，云端）。
5. 检索：similarity_search、带分数检索、MMR（平衡相关性与多样性）、元数据过滤。
6. 生成：将检索文档拼接为上下文，交给 ChatOpenAI 等模型生成回答。
7. 智能体集成：可将检索封装为工具，供 create_agent 调用。

使用方式：按“索引（加载→切分→嵌入→存储）”与“检索（查询→嵌入→搜索→返回文档）”“生成（文档+查询→LLM→回答）”三段式组织。示例同时提供 Python 与 JavaScript 版本，导入路径与类名保持原样。

适用场景：需要基于自有文档问答、知识库检索、文档助手等 RAG 应用。

限制与注意：嵌入维度由模型决定，不可配置；同一向量库不可混用不同模型的嵌入；索引与查询必须使用相同嵌入模型；切分块过小会丢上下文、过大易触限，建议约 1000 字符、10%–20% 重叠；InMemory 存储重启即丢失；FAISS 的 Python 加载使用 pickle 元数据，仅在索引由自己创建并完全可控时才可启用 allow_dangerous_deserialization=True，否则应重建索引或改用无需 pickle 反序列化的后端；Pinecone 索引维度须与嵌入维度匹配。具体收费、价格与平台细节暂未提供。