Retrieval 检索概览

Retrieval 是 RAG 的核心。RAG 全称 Retrieval-Augmented Generation，即“检索增强生成”。它的基本思想是：先从知识库里找到相关内容，再把这些内容作为上下文交给模型回答。

为什么需要 RAG

大模型自身参数里不一定包含你的企业私有知识，也可能不知道最新业务规则。RAG 通过外部知识库补充上下文，减少胡编乱造。

基本流程

用户问题
  ↓
问题向量化
  ↓
向量库召回相关片段
  ↓
重排 / 过滤
  ↓
拼接上下文 Prompt
  ↓
模型生成回答
  ↓
返回答案和引用来源

关键组件

• Document Loader：加载 PDF、网页、Markdown、数据库内容。
• Text Splitter：把长文档切成小片段。
• Embedding：把文本转向量。
• Vector Store：存储和检索向量。
• Retriever：封装检索策略。
• Generator：基于上下文生成答案。

质量关键点

RAG 的效果不只取决于模型，更多取决于文档质量、切分策略、召回策略、重排和 Prompt 设计。

非官方声明

本站为个人维护的非官方中文学习文档，不代表 LangChain 官方。页面内容是基于公开文档、源码实践和中文开发者视角重新整理的学习资料。涉及 API 细节时，请以官方文档和实际安装版本为准。

参考来源

• LangChain / LangGraph 官方文档：https://docs.langchain.com/
• LangChain API Reference：https://reference.langchain.com/
• 本站内容为中文学习整理，不做官方身份声明。