Langchain 实现 RAG

最新推荐文章于 2025-07-02 21:13:13 发布
最新推荐文章于 2025-07-02 21:13:13 发布
阅读量483 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： LlamaIndex / Langchain 应用落地 文章标签： langchain RAG
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hawk2014bj/article/details/144136671

RAG 实现包括三部分，文档向量化、相似度搜索和大模型回答，本文将使用 LangChain 进行 RAG 的实现。RAG 中最重要的是向量，向量模型的好坏直接反映到最终结果的好坏，如果不能搜索到相对准确的文档，RAG 就没有起到该有的效果。文章将分为两部分，首先是向量索引以及搜索，然后是与大语言模型的结合。

文档向量化

文档向量化是将文档转为向量，查询时将问题转化为向量，将问题向量与文档向量进行相似度比较，返回相似度较高的内容。比较三个Embedding 模型，分别为 Google 、Conan（腾讯）、JinaAI。

VertexAIEmbeddings

使用 VertexAI 模型，需要安装 Google Cloud 客户端，安装完成之后运行一下两条命令。

gcloud init
gcloud auth application-default login

使用 text-multilingual-embedding-002 多语言 Embedding 模型。https://cloud.google.com/vertex-ai/generative-ai/docs/model-reference/text-embeddings-api。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI开发 | 使用LangChain实现RAG
小迅先生的博客
09-07 942
本文介绍了一下RAG工作流程，并使用langchain框架实现了一个RAG示例
利用LangChain实现RAG
qiaotl的博客
11-13 6859
通过实际代码例子详细阐述如何实现RAG(检索增强生成)
LangChain实战 | 实现一个检索增强生成系统(RAG)
bagell的博客
01-28 914
LangChain是一个非常适合的工具框架。LangChain通过模块化设计，简化了从数据加载到问答生成的全流程操作。数据加载器（Loader）：支持多种数据格式的加载（如文本、PDF等）。文本分割器（Text Splitter）：将长文本分割为适合检索的短片段。嵌入与向量存储：将文本映射到高维向量空间并存储，用于快速检索。Prompt管理：灵活设计生成模型的输入提示（Prompt）。问答链（Chain）：将检索和生成串联，完成从问题到答案的闭环。
LangChain入门系列：RAG检索增强生成全解析
yihanss的博客
06-30 1227
检索增强生成（RAG）技术是大语言模型实现知识扩展的关键突破，其核心工作原理可概括为"现查现用"的智能增强机制。当大模型遇到超出其训练数据范围的问题时，RAG会实时从外部知识库检索相关信息，将这些新鲜知识智能整合到生成过程中，使模型能够结合最新数据给出准确回答。这一过程完美弥补了大模型固有的三大知识短板：训练数据的时效性局限、专有知识的缺失问题以及特定领域的深度不足。通过动态检索与智能融合的双重机制，RAG既保留了预训练模型的强大推理能力，又突破了静态知识库的边界，实现了"即需即学"的智能进化。这种技术特别
langchain框架轻松实现本地RAG
qyhua的专栏
07-04 2742
RAG（Retrieval-Augmented Generation）是一种结合了检索和生成模型的方法，主要用于解决序列到序列的任务，如问答、对话系统、文本摘要等。它的核心思想是通过从大量文档中检索相关信息，然后利用这些信息来增强生成模型的输出。
基于LangChain构建RAG应用
2401_84204207的博客
07-10 2481
Hello，大家好，我是GISer Liu😁，一名热爱AI技术的GIS开发者，上一篇文章中我们详细介绍了RAG的核心思想以及搭建向量数据库的完整过程；😲将LLM接入LangChain：选择LLM，然后在LangChain中使用；构建检索问答链：使用语法构建RAG问答链部署知识库助手：使用streamlit部署项目；帮助读者快速构建RAG应用并部署在阿里云服务器上；Streamlit是一个开源的 Python 库，它使得数据科学家和开发者能够快速构建和共享美观的机器学习模型和数据应用程序。
Langchain实现rag功能
yangheng1的博客
07-02 231
RAG（检索增强生成）技术通过整合外部知识库提升大模型回答质量，其核心流程包括：知识库构建（文档分割与向量化存储）、查询处理（向量检索与上下文增强）、答案生成。本文以Python代码示例展示了RAG的具体实现，包括使用HuggingFace嵌入模型构建Chroma向量数据库、混合检索策略（结合向量与关键词索引）以及问答链搭建。通过将检索到的相关段落与大模型生成能力结合，RAG显著提升了专业领域问题的回答准确性，特别适用于时效性知识和私有数据场景。代码示例涵盖从文档加载到混合检索的完整流程，为开发者提供实用参
Langchain实现RAG项目，可以用来学习使用Langchain！
最新发布
07-08
Langchain实现RAG项目的知识点： Langchain是一个灵活的、基于语言模型的框架，可用于构建各种应用程序，特别是那些依赖于自然语言处理技术的应用程序。RAG（Retrieval-Augmented Generation）技术则是将信息检索与...
基于智谱AI和LangChain实现RAG应用代码
08-27
基于智谱AI和LangChain实现的RAG（Retrieval-Augmented Generation）应用是一种前沿的自然语言处理技术，结合了强大的语言生成模型和高效的检索系统。通过智谱AI的语言模型，RAG应用能够理解和生成高质量的自然语言...
DeepSeek r1+RAG:基于langchain实现RAG系统
weixin_63866037的博客
02-19 1154
在人工智能蓬勃发展的当下，大语言模型的应用越来越广泛。然而，如何让大模型更加智能，能够结合特定的知识给出更准确的回答，成为了许多开发者关注的焦点。今天，我们就来探讨一下如何基于 langchain 实现一个强大的 RAG 系统，并结合 DeepSeek 模型！
基于Langchain实现RAG
weixin_65973062的博客
03-24 905
基于Langchain实现RAG
langchain中的RAG实现 (Build a Retrieval Augmented Generation (RAG) App)
No trade is free, but my contents are.
11-26 1033
创建一个自定义的提示模板，并在问答链中使用。{context}| llm")通过以上步骤，我们成功构建了一个基于网页内容的问答系统。希望这个教程对你有所帮助！
使用LangChain建立检索增强生成（RAG）系统
Code1994的博客
11-12 1475
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
LangChain的RAG实践
2301_81940605的博客
04-12 2352
RAG技术将这两种记忆类型进行了整合，最终，在知识密集型的NLP任务上，比如QA，比单独使用上述两种类型的记忆获得了更好的效果。接下来将具体介绍RAG如何来补充LLM的一些短板，以及在两种记忆的具体体现，并使用LangChain来实现基本RAG流程。
LLM之RAG实战（三十六）| 使用LangChain实现多模态RAG
wshzd的博客
03-29 5251
但是，这个模型不足以解释图像中的信息，例如，在某些情况下，图像中存在与数字相关的信息，或者数据库中的图像类型相似，嵌入无法从数据库中检索相关图像。对于split_image_text_types函数，使用CLIP嵌入获取相关图像后，还需要将图像转换为base64格式，因为GPT-4-Vision的输入是base64格式。如果使用多模态RAG，这两种方法是合适的。针对上述情况，我们可以使用多模态大模型来解决，比如GPT-4-Vision，它有非常好的图像理解能力，可以理解图像内部发生的事情。
【LangChain】（五） 利用Langchain实现表格与文本的检索增强生成（RAG）教程与实战案例！
万物皆有灵
10-16 2240
通过本文的介绍，您应该对如何使用Langchain进行表格和文本的检索增强生成有了更深入的了解。无论是通过直接的函数调用，还是利用Langchain的Agent和Chain，您都可以灵活地处理各种数据源，提升信息检索的效率。
Java开发者LLM实战——使用LangChain4j构建本地RAG系统
京东科技开发者
07-02 2918
RAG（Retrieval-Augmented Generation）的核心思想是：将传统的信息检索（IR）技术与现代的生成式大模型（如chatGPT）结合起来。具体来说，RAG模型在生成答案之前，会首先从一个大型的文档库或知识库中检索到若干条相关的文档片段。再将这些检索到的片段作为额外的上下文信息，输入到生成模型中，从而生成更为准确和信息丰富的文本。RAG的工作原理可以分为以下几个步骤：1.接收请求：首先，系统接收到用户的请求（例如提出一个问题）。2.信息****检索（R)
LangChain 中主流的 RAG 实现方式
alva_xu的博客
04-25 1277
支持图片、表格等非文本数据，需结合 OCR（如 Tesseract）和专用解析器（如 DeepDoc）。：文档需预先处理好分块 ，该方法的result是字符串，没有metadata信息。：封装文档加载→分块→向量化→存储→检索全流程，适合快速原型开发。：通过设计模板控制生成风格，强制 LLM 基于上下文回答，减少幻觉。：结合语义搜索（向量相似度）与关键词检索（BM25），提升召回率。：通过迭代检索优化结果，例如先检索大纲再定位细节。：提取检索文档中的关键片段，减少无关信息输入。
langchain实现rag
01-17
### 使用 LangChain 实现 RAG 为了实现检索增强生成（RAG），可以利用 `langchain_core` 中的相关组件来构建这一流程。具体来说，通过定义数据获取、格式化以及处理逻辑，能够有效地集成检索模块与生成模型。 #### 导入必要的库和函数 首先导入所需的类和方法： ```python from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough ``` 这些工具可以帮助解析输出并传递输入给后续阶段[^3]。 #### 定义文档格式化器 接着创建一个辅助函数用于整理从数据库或其他来源检索到的信息片段： ```python def format_docs(docs): return "\n\n".join(doc.page_content for doc in docs) ``` 此函数接收一系列文档对象作为参数，并返回由各部分内容组成的字符串形式的内容集合。 #### 构建 RAG 链条 最后一步是组装整个工作流管道，在这里假设已经有一个名为 `retriever` 的实例负责执行实际的数据查找操作；而 `prompt` 和 `llm` 则分别代表提示模板及大型语言模型接口： ```python rag_chain = ( {"context": retriever | format_docs, "question": RunnablePassthrough()} | prompt | llm | StrOutputParser() ) for chunk in rag_chain.stream("What is Task Decomposition?"): print(chunk, end="", flush=True) ``` 上述代码展示了如何将不同环节串联起来形成完整的 RAG 流程：先是从外部资源中提取相关信息，再将其连同用户提问一起送入预训练的语言模型进行最终的回答生成。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值