> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt
> Use this file to discover all available pages before exploring further.
# 检索
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）](#2-step-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：
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：
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
flowchart LR
S(["来源
(Google Drive, Slack, Notion 等)"]) --> L[文档加载器]
L --> A([文档])
A --> B[分割成块]
B --> C[转换为嵌入]
C --> D[(向量存储)]
Q([用户查询]) --> E[查询嵌入]
E --> D
D --> F[检索器]
F --> G[LLM 使用检索到的信息]
G --> H([答案])
classDef trigger fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:2px,color:#1E3A8A
classDef output fill:#F3E8FF,stroke:#9333EA,stroke-width:2px,color:#581C87
classDef neutral fill:#F3F4F6,stroke:#9CA3AF,stroke-width:2px,color:#374151
class S,Q trigger
class L,B,C,E,F,G process
class D output
class A,H neutral
```
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
从外部来源（Google Drive, Slack, Notion 等）摄取数据，返回标准化的 [`Document`](https://reference.langchain.com/javascript/langchain-core/documents/Document) 对象。
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。
用于存储和搜索嵌入的专用数据库。
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。
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户问题] --> B["检索相关文档"]
B --> C["生成答案"]
C --> D[将答案返回给用户]
%% 样式
classDef startend fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:1.5px,color:#1E3A8A
class A,D startend
class B,C process
```
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。
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户输入 / 问题] --> B["智能体 (LLM)"]
B --> C{需要外部信息？}
C -- 是 --> D["使用工具搜索"]
D --> H{信息足够回答吗？}
H -- 否 --> B
H -- 是 --> I[生成最终答案]
C -- 否 --> I
I --> J[返回给用户]
%% 深色模式友好样式
classDef startend fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
classDef decision fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:1.5px,color:#1E3A8A
class A,J startend
class B,D,I process
class C,H decision
```
```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
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,
});
```
此示例实现了一个**智能体式 RAG 系统**，以帮助用户查询 LangGraph 文档。智能体首先加载 [llms.txt](https://llmstxt.org/)，其中列出了可用的文档 URL，然后可以根据用户的问题动态使用 `fetch_documentation` 工具来检索和处理相关内容。
```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { tool, createAgent, HumanMessage } from "langchain";
import * as z from "zod";
const ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"];
const LLMS_TXT = "https://langchain-ai.github.io/langgraph/llms.txt";
const fetchDocumentation = tool(
async (input) => { // [!code highlight]
if (!ALLOWED_DOMAINS.some((domain) => input.url.startsWith(domain))) {
return `Error: URL not allowed. Must start with one of: ${ALLOWED_DOMAINS.join(", ")}`;
}
const response = await fetch(input.url);
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`);
}
return response.text();
},
{
name: "fetch_documentation",
description: "Fetch and convert documentation from a URL",
schema: z.object({
url: z.string().describe("The URL of the documentation to fetch"),
}),
}
);
const llmsTxtResponse = await fetch(LLMS_TXT);
const llmsTxtContent = await llmsTxtResponse.text();
const systemPrompt = `
你是一位专业的 TypeScript 开发者和技术助手。
你的主要职责是帮助用户解决关于 LangGraph 及相关工具的问题。
说明：
1. 如果用户提出的问题你不确定——或者很可能涉及 API 使用、
行为或配置——你**必须**使用 \`fetch_documentation\` 工具来查阅相关文档。
2. 引用文档时，请清晰总结并包含内容中的相关上下文。
3. 不要使用允许域之外的任何 URL。
4. 如果文档获取失败，请告知用户，并基于你最好的专家理解继续回答。
你可以从以下批准的来源访问官方文档：
${llmsTxtContent}
在回答用户关于 LangGraph 的问题之前，你**必须**查阅文档以获取最新的文档。
你的答案应该清晰、简洁且技术准确。
`;
const tools = [fetchDocumentation];
const agent = createAgent({
model: "claude-sonnet-4-0"
tools, // [!code highlight]
systemPrompt, // [!code highlight]
name: "Agentic RAG",
});
const response = await agent.invoke({
messages: [
new HumanMessage(
"写一个使用预构建的 create react agent 的 langgraph 智能体的简短示例。"
"该智能体应该能够查找股票价格信息。"
),
],
});
console.log(response.messages.at(-1)?.content);
```
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：
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户问题] --> B[查询增强]
B --> C[检索文档]
C --> D{信息充分吗？}
D -- 否 --> E[优化查询]
E --> C
D -- 是 --> F[生成答案]
F --> G{答案质量合格吗？}
G -- 否 --> H{尝试不同方法？}
H -- 是 --> E
H -- 否 --> I[返回最佳答案]
G -- 是 --> I
I --> J[返回给用户]
classDef startend fill:#DCFCE7,stroke:#16A34A,stroke-width:2px,color:#14532D
classDef decision fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
classDef process fill:#DBEAFE,stroke:#2563EB,stroke-width:1.5px,color:#1E3A8A
class A,J startend
class B,C,E,F,I process
class D,G,H decision
```
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
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](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\langchain\retrieval.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose).
[Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.