RAG 实战：用 LangChain + 向量数据库构建企业知识库

2026/06/04·3 分钟阅读·68 次阅读

RAG 实战：构建企业知识库

大模型最大的问题是「幻觉」——它会一本正经地编造答案。RAG（检索增强生成）通过让 AI 先检索相关文档再回答，完美解决了这个问题。

什么是 RAG？

RAG = Retrieval Augmented Generation，检索增强生成。核心思路：

将企业文档切分成小块
用 Embedding 模型将文本转为向量
存储到向量数据库
用户提问时，先检索相关文档
将文档 + 问题一起发给大模型

技术栈

组件	技术选型	说明
框架	LangChain	AI 应用开发框架
向量数据库	Chroma / Pinecone	存储文档向量
Embedding	text-embedding-3-small	文本转向量
大模型	DeepSeek V4	生成回答
API 中转	Ciyuano 词元圈	统一 API 入口

完整代码

1. 安装依赖

pip install langchain langchain-openai chromadb tiktoken

2. 加载文档

from langchain_community.document_loaders import (

DirectoryLoader,

TextLoader,

PyPDFLoader

)

from langchain.text_splitter import RecursiveCharacterTextSplitter

加载 docs 目录下的所有文件

loader = DirectoryLoader("./docs", glob="*/.md")

documents = loader.load()

切分文档

splitter = RecursiveCharacterTextSplitter(

chunk_size=500,

chunk_overlap=50,

separators=["\n\n", "\n", "。", "！", "？"]

)

chunks = splitter.split_documents(documents)

print(f"切分为 {len(chunks)} 个文档块")

3. 创建向量数据库

from langchain_openai import OpenAIEmbeddings

from langchain_community.vectorstores import Chroma

embeddings = OpenAIEmbeddings(

base_url="https://www.ciyuano.com/v1",

api_key="sk-relay-你的密钥",

model="text-embedding-3-small"

)

vectorstore = Chroma.from_documents(

chunks,

embeddings,

persist_directory="./chroma_db"

)

print("向量数据库创建完成！")

4. 构建问答链

from langchain.chains import RetrievalQA

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(

model="deepseek-v4-flash",

base_url="https://www.ciyuano.com/v1",

api_key="sk-relay-你的密钥",

temperature=0

)

qa_chain = RetrievalQA.from_chain_type(

llm=llm,

retriever=vectorstore.as_retriever(

search_kwargs={"k": 3}

),

return_source_documents=True

)

提问

result = qa_chain.invoke({"query": "公司的请假制度是什么？"})

print("回答：", result["result"])

print("来源：", [doc.metadata["source"] for doc in result["source_documents"]])