一、什么是 RAG？

RAG（Retrieval-Augmented Generation） = 检索 + 生成

核心流程

\
用户问题 → 检索相关文档 → 组合 Prompt → LLM 生成回答 \\

二、文档加载器

2.1 PDF 加载

\\python from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("document.pdf") pages = loader.load() \\

2.2 文本加载

\\python from langchain_community.document_loaders import TextLoader

loader = TextLoader("file.txt") documents = loader.load() \\

三、向量数据库

3.1 Chroma

\\python from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings

创建向量存储

vectorstore = Chroma.from_documents( documents=pages, embedding=OpenAIEmbeddings(), persist_directory="./chroma_db" )

检索

results = vectorstore.similarity_search("查询内容", k=3) \\

四、实战案例

\\python from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI

创建检索链

qa = RetrievalQA.from_chain_type( llm=ChatOpenAI(), chain_type="stuff", retriever=vectorstore.as_retriever() )

提问

answer = qa.run("文档的主要观点是什么？") \\

五、本课小结

• RAG = 检索 + 生成
• 文档加载器支持多种格式
• 向量数据库用于语义搜索

下一课：09 - 工具