如何构建从文档加载到问答服务的LangChain RAG学习笔记？

LangChain RAG 学习笔记：从文档加载到问答服务 我在先前的随笔中分享过用Dify低代码平台来实现问答系统，也有几篇随笔是通过不同的方式来访问大模型。本篇将使用LangChain来做对应的实现。相关代码主要是通过Trae，它可以帮助你快速的了解了基本使用 LangChain 构建 RAG的方法，包括从文档加载、向量存储到问答接口实现，整个过程涉及多个关键环节。 虽然借助大模型以及Trae，给我们提供了另外一种生成代码和学习代码的方式，但其目前还是需要人工来参与的，尤其是版本的变化导致引入的包和接口的调用方式都发生了很多变化，所以这就需要一个根据生成的代码不断的去调试和修正。本文里贴出的代码也是经历过这个过程之后总结下来的。 RAG 系统整体架构 首先回忆一下RAG 系统的核心思想，是将用户查询与知识库中的相关信息进行匹配，再结合大语言模型生成准确回答。 这里我将一套 RAG 系统通分成以下几个模块： 文档加载与处理 文本分割与嵌入 向量存储管理 检索功能实现 问答生成服务 接口部署 这几个模块完成了后端模块的建立。实际项目中会考虑更多的模块，比如大模型的选择和部署，向量数据库的选择，知识库的准备，前端页面的搭建等，这些将不作为本文描述的重点。 本文代码，关于大模型的选择，我们将基于 DashScope 提供的嵌入模型和大语言模型，结合 LangChain 和 Chroma 向量数据库来实现整个系统。 这里我历经过一些莫名其妙的磨难，比如刚开始我选择本地的Ollama部署，包括向量模型都是在本地。但是在测试的过程中，发现召回的结果很离谱。比如我投喂了劳动法和交通法的内容，然后问一个劳动法相关的问题，比如哪些节假日应该安排休假，结果召回的结果中有好多是交通法的内容。刚开始我以为是向量模型的问题，于是在CherryStudio里，构建同样的知识库，使用同样的向量嵌入模型，召回测试的结果很符合预期。后来在LangChain里又尝试过更换向量数据库，以及更改距离算法，召回的结果都达不到预期。直到有一天，本地部署的嵌入模型突然不工作了（真的好奇怪，同样的模型在windows和macos都有部署，突然间就都不能访问了，至今原因不明。），于是尝试更换到在线的Qwen的大模型，召回测试终于复合预期了。 吐槽完毕，接下来进入正题： 1. 文档加载与向量库构建 文档加载是 RAG 系统的基础，需要处理不同格式的文档并将其转换为向量存储。这里我检索的是所有txt和docx文件。 所有的知识库文件都放在knowledge_base文件夹下，向量数据库存储在chroma_db下。 知识库为了测试召回方便，我投喂了法律相关的内容，主要有劳动法和道路安全法，同时也投喂了一些自己造的文档。 向量数据库这里用到的是chroma，其调用方法相对简单，不需要额外安装配置什么。同时也可以选择比如FAISS，Milvus甚至PostgreSQL，但这些向量库需要单独的部署和配置，过程稍微复杂一点。所以这篇文章的向量库选择了Chroma。