Skip to main content
大语言模型（LLM）功能强大，但它们有两个关键限制：
  • 有限的上下文——它们无法一次性处理整个语料库。
  • 静态知识——它们的训练数据在某个时间点被冻结。
检索通过查询时获取相关的外部知识来解决这些问题。这是检索增强生成（RAG） 的基础：用特定上下文信息增强 LLM 的答案。

​
构建知识库

知识库是在检索过程中使用的文档或结构化数据的存储库。 如果你需要一个自定义知识库，可以使用 LangChain 的文档加载器和向量存储从你自己的数据中构建一个。
如果你已经有一个知识库（例如，SQL 数据库、CRM 或内部文档系统），你不需要重建它。你可以：
  • 将其作为工具连接到智能体式 RAG 中的智能体。
  • 查询它，并将检索到的内容作为上下文提供给 LLM （两步式 RAG）。
请参阅以下教程，构建一个可搜索的知识库和最小化的 RAG 工作流：

教程：语义搜索

学习如何使用 LangChain 的文档加载器、嵌入和向量存储，从你自己的数据中创建一个可搜索的知识库。 在本教程中，你将构建一个基于 PDF 的搜索引擎，实现对与查询相关的段落进行检索。你还将在此引擎之上实现一个最小化的 RAG 工作流，以了解外部知识如何集成到 LLM 的推理中。

​
从检索到 RAG

检索使 LLM 能够在运行时访问相关上下文。但大多数实际应用更进一步：它们将检索与生成相结合，以产生有依据、具有上下文感知的答案。 这就是检索增强生成（RAG） 背后的核心理念。检索管道成为一个更广泛系统的基础，该系统将搜索与生成相结合。

​
检索管道

典型的检索工作流如下所示： 每个组件都是模块化的：你可以更换加载器、分割器、嵌入或向量存储，而无需重写应用程序的逻辑。

​
构建模块

文档加载器

从外部来源（Google Drive, Slack, Notion 等）摄取数据，返回标准化的 Document 对象。

嵌入模型

嵌入模型将文本转换为数字向量，使得含义相似的文本在该向量空间中彼此靠近。

向量存储

用于存储和搜索嵌入的专用数据库。

检索器

检索器是一个接口，给定一个非结构化查询，它返回文档。

​
RAG 架构

RAG 可以通过多种方式实现，具体取决于系统的需求。我们在以下部分概述了每种类型。
架构描述控制力灵活性延迟示例用例
两步式 RAG检索总是在生成之前发生。简单且可预测✅ 高❌ 低⚡ 快速常见问题解答、文档机器人
智能体式 RAG一个由 LLM 驱动的智能体在推理过程中决定何时以及如何进行检索❌ 低✅ 高⏳ 可变可以访问多个工具的研究助手
混合式 RAG结合了两种方法的特点，并包含验证步骤⚖️ 中等⚖️ 中等⏳ 可变带有质量验证的特定领域问答
延迟：两步式 RAG 的延迟通常更可预测，因为 LLM 调用的最大次数是已知且有上限的。这种可预测性假设 LLM 推理时间是主要因素。然而，实际延迟也可能受到检索步骤性能的影响——例如 API 响应时间、网络延迟或数据库查询——这些性能会根据所使用的工具和基础设施而有所不同。

​
两步式 RAG

在两步式 RAG 中，检索步骤总是在生成步骤之前执行。这种架构简单且可预测，适用于许多应用场景，其中检索相关文档是生成答案的明确前提。

教程：检索增强生成 (RAG)

了解如何构建一个能够基于你的数据回答问题的问答聊天机器人，使用检索增强生成。 本教程将介绍两种方法：
  • 一个RAG 智能体，使用灵活的工具进行搜索——非常适合通用用途。
  • 一个两步式 RAG 链，每个查询只需一次 LLM 调用——对于较简单的任务来说快速高效。

​
智能体式 RAG

智能体式检索增强生成（RAG） 结合了检索增强生成和基于智能体的推理的优势。智能体（由 LLM 驱动）不是先检索文档再回答，而是逐步推理，并在交互过程中决定何时以及如何检索信息。
智能体要启用 RAG 行为，唯一需要的就是能够访问一个或多个可以获取外部知识的工具——例如文档加载器、Web API 或数据库查询。
import { tool, createAgent } from "langchain";

const fetchUrl = tool(
    (url: string) => {
        return `Fetched content from ${url}`;
    },
    { name: "fetch_url", description: "Fetch text content from a URL" }
);

const agent = createAgent({
    model: "claude-sonnet-4-0",
    tools: [fetchUrl],
    systemPrompt,
});

教程：检索增强生成 (RAG)

了解如何构建一个能够基于你的数据回答问题的问答聊天机器人，使用检索增强生成。 本教程将介绍两种方法：
  • 一个RAG 智能体，使用灵活的工具进行搜索——非常适合通用用途。
  • 一个两步式 RAG 链，每个查询只需一次 LLM 调用——对于较简单的任务来说快速高效。

​
混合式 RAG

混合式 RAG 结合了两步式和智能体式 RAG 的特点。它引入了中间步骤，例如查询预处理、检索验证和后生成检查。这些系统比固定管道提供了更多的灵活性，同时保持了对执行的一定控制。 典型组件包括：
  • 查询增强：修改输入问题以提高检索质量。这可能涉及重写不明确的查询、生成多个变体或用额外上下文扩展查询。
  • 检索验证：评估检索到的文档是否相关且充分。如果不满足条件，系统可能会优化查询并重新检索。
  • 答案验证：检查生成的答案的准确性、完整性以及与源内容的一致性。如果需要，系统可以重新生成或修改答案。
该架构通常支持这些步骤之间的多次迭代： 这种架构适用于：
  • 具有模糊或未明确指定查询的应用程序
  • 需要验证或质量控制步骤的系统
  • 涉及多个来源或迭代优化的流程

教程：具有自我修正功能的智能体式 RAG

一个混合式 RAG 的示例，它结合了智能体推理、检索和自我修正。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.