FDE 企业 AI 落地与交付 · 知识检索与问答问题 · 2026-03-26

实现一个基于LangChain 的 RAG 智能问答Agent实践

从零搭建RAG智能问答系统,手把手教你实现文档加载、向量存储到多轮问答全流程。

核心内容:

  1. 多格式文档加载与智能文本切分技术
  2. 基于LangChain的端到端RAG实现方案
  3. 使用Langfuse进行LLMOps全链路监控

本文基于本项目的实际实现,介绍基于langchain框架,从文档导入到向量存储、再到多轮检索问答的端到端RAG实践。使用Langfuse实现LLMOps监控,自动捕获链中每一步的输入输出。

整体框架

应用程序

程序跑起来的样子:

一、文档加载与切分

1.1 多格式加载

针对不同文档格式使用对应的 Loader,保留原始结构与元数据(如页码、来源路径):

## document_processor.pyfrom langchain_community.document_loaders import PyPDFLoader, UnstructuredMarkdownLoaderdef load_document(file_path: str):ext = os.path.splitext(file_path)[1].lower()if ext == ".pdf":loader = PyPDFLoader(file_path) # 逐页加载,自动提取页码到 metadataelif ext == ".md":loader = UnstructuredMarkdownLoader(file_path) # 保留 Markdown 结构else:raise ValueError(f"不支持的文件格式: {ext}")return loader.load()

说明:

1.2 递归文本切分

文本切分是影响检索质量的关键环节。使用 RecursiveCharacterTextSplitter 按语义边界(段落→句子→词)逐级尝试切分:

from langchain_text_splitters import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(chunk_size=1000, # 每块最大字符数chunk_overlap=100, # 相邻块重叠字符数,保留上下文连续性)chunks = splitter.split_documents(docs)# 过滤纯空白块,避免噪声进入向量库chunks = [c for c in chunks if c.page_content.strip()]

关键参数权衡:

参数 偏小 偏大
chunk_size 语义不完整,上下文丢失 噪声增多,检索精度下降
chunk_overlap 块边界处信息断裂 冗余数据增加 向量库膨胀

说明:

二、向量化与存储

2.1 Embeddings 选型

本项目使用 text-embedding-v3 模型:

## config.pyfrom langchain_community.embeddings import DashScopeEmbeddingsdef get_embeddings():return DashScopeEmbeddings(model="text-embedding-v3",dashscope_api_key=DASHSCOPE_API_KEY,)

说明:

2.2 FAISS 向量库

## vector_store.pyfrom langchain_community.vectorstores import FAISSdef create_vector_store(documents):embeddings = get_embeddings()vector_store = FAISS.from_documents(documents, embeddings)return vector_storedef get_retriever(vector_store, k=3):return vector_store.as_retriever(search_kwargs={"k": k})

FAISS 在内存中构建索引,适合中小规模知识库(万级以内文本块)。as_retriever(search_kwargs={"k": 3}) 表示每次检索返回相似度最高的 3 个文档块。

最佳实践:

vector_store.save_local("faiss_index") # 保存FAISS.load_local("faiss_index", embeddings) # 加载

三、对话检索链

3.1 链的工作流程

ConversationalRetrievalChain 将多轮对话与向量检索结合,分两步执行:

用户提问 + 对话历史│▼ Step 1: 问题改写[Condense Question LLM]将追问改写为独立的完整问题│▼ Step 2: 检索 + 生成[Retriever] → 相关文档块│[QA LLM] → 最终回答

3.2 Prompt 设计

问…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/langchain/2026032649012.html