ℹ️RAG全称是Retrieval-Augmented Generation(检索增强生成)，一句话解释就是：把问题和相应的参考资料一起给大模型，以期望得到效果更好的模型表现。

ℹ️LangChain包含用于开发大语言模型应用的各种功能组件，不仅仅是RAG，所以相较于RAGFlow、HayStack等专门为RAG设计的框架来说，功能更为丰富，更“笨重”，学习门槛更高。

第一步，环境准备

参见requirements.txt。主要Python库：

第二步，模型调用

这里使用的DeepSeek官方提供的API。访问DeepSeek开放平台(https://platform.deepseek.com)，创建API_KEY，有免费token额度，如果使用量比较大则需要充值：

DeepSeek采用和openai兼容的API格式，上图为设置相应环境变量。

然后就可以使用模型了，deepseek-chat代表DeepSeek-V3，如果使用DeepSeek-R1则名称填写为deepseek-reasoner:

第三步，文档加载与分割

文档不限制格式，这里以pdf为例：

ℹ️加载后的文档为Document对象。page_content属性保存的是文档内容，metadata属性保存的是文档元信息，比如来源、创建时间等。

ℹ️将文档切割成文档片段(chunks)，方便存储、向量化与精确检索，每个片段仍然是Document对象，即一个个更小的文档。切割时可以设置每个片段的长度、重叠字符数(chunk_overlap)、切割标识符等参数，其中重叠字符数即相邻片段会有一定的重叠，这是为了避免把段落切得“太碎”，保持语义完整。

第四步，文本嵌入与向量化存储

第二步切割后的文档片段，使用文本嵌入模型(embedding model)将其映射为包含语义信息的向量，然后保存到向量数据库中。嵌入模型和向量数据库都有多种选择，这里使用阿里云百炼的text-embedding-v2嵌入模型和FAISS向量数据库作为示例：

申请阿里云百炼API key(https://bailian.console.aliyun.com/)并设置环境变量：

第五步，重排(ReRank)

在文本被嵌入成固定长度的向量后，会丢失一些信息，为了得到更准确的与prompt(即向量检索时的query)相关的文本，就要在向量检索后再利用重排模型对检索结果进行更精细的语义分析，重新排序，达到筛选出最相关信息和减少无关上下文的目的。

重排模型这里使用北京智源人工智能研究院的BAAI/bge-reranker-large，在Hugging Face上这是最热门的ReRank模型之一。

ℹ️LangChain已经集成了阿里云百炼的相关Python库，所以在第三步文本嵌入时我们直接使用了一个现成的嵌入模型调用接口DashScopeEmbeddings

⚠️而在重排时使用BAAI/bge-reranker-large则需要我们自己实现重排的相关逻辑，不过过程也很简单：

1.继承BaseDocumentCompressor

2.实现compress_documents方法

然后组合向量检索器和重排器：

第六步，设计提示词模板

这里构造提示词模板时，将提示词分为了两部分，一个是系统消息(system，用来表达上下文内容)，另一个是用户消息(user，用来表达用户问题)，其中context占位符用来填充从第四步中检索到的相关上下文，question占位符用来填充具体的问题。

第七步，构建链

LangChain中的chain最大特点即是把处理流程连接起来，前一步的输出作为后一步的输入，类似于管道操作，如SparkML中的pipeline或者Linux中的管道符。

⚠️一般用来构建链的对象是属于Runnable类型的。Runnable相当于抽象基类或者接口。

1.使用RunnableParallel组合上下文和问题，其中ccr即是第四步中检索加重排后得到的上下文

2.构建链

✅流程逻辑：

1️⃣retriever，用户输入的问题同时传给了ccr和RunnablePassthrough，ccr即检索加重排得到上下文，RunnablePassthrough不做操作返回问题

2️⃣chat_prompt，接收retriver传来的上下文和问题，填充提示词模版中的对应占位符得到完整提示词

3️⃣chat_llm，接收到完整提示词，进行模型推理

4️⃣CustomParser(),对模型推理返回的答案进行格式化

第八步，进行推理

LangChain中使用invoke方法执行链或模型。

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓