检索 - LangChain 文档 - LangChain 教程

大型语言模型 (LLMs) 功能强大，但存在两个关键局限性

有限的上下文——它们无法一次性摄入整个语料库。
静态知识——它们的训练数据在某个时间点即已冻结。

检索通过在查询时获取相关的外部知识来解决这些问题。这就是检索增强生成 (RAG) 的基础：利用特定上下文信息增强 LLM 的回答。

构建知识库

知识库是检索过程中使用的一组文档或结构化数据的存储库。如果您需要自定义知识库，可以使用 LangChain 的文档加载器和向量存储来根据您自己的数据进行构建。

如果您已经拥有知识库（例如 SQL 数据库、CRM 或内部文档系统），则无需重建。您可以

将其作为智能体 (Agentic RAG) 的工具进行连接。
查询它并将检索到的内容作为上下文提供给 LLM (两步式 RAG)。

请参阅以下教程以构建可搜索的知识库和极简 RAG 工作流

教程：语义搜索

了解如何使用 LangChain 的文档加载器、嵌入和向量存储从您自己的数据中创建可搜索的知识库。在本教程中，您将针对 PDF 构建一个搜索引擎，从而能够检索与查询相关的段落。您还将在该引擎之上实现一个极简的 RAG 工作流，以了解如何将外部知识集成到 LLM 的推理中。

从检索到 RAG

检索允许 LLM 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，以产生基于事实、具备上下文感知的回答。这就是检索增强生成 (RAG) 背后的核心思想。检索流水线成为将搜索与生成相结合的更广泛系统的基础。

检索流水线

典型的检索工作流如下所示每个组件都是模块化的：您可以更换加载器、切分器、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

从外部源（Google Drive、Slack、Notion 等）摄入数据，并返回标准化的 Document 对象。

嵌入模型

嵌入模型将文本转换为数字向量，使得含义相近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

检索器是一种接口，给定非结构化查询时，它会返回相关文档。

RAG 架构

根据系统的需求，RAG 可以以多种方式实现。我们在下文中概述了每种类型。

架构	描述	控制	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
代理式 RAG	由 LLM 驱动的智能体在推理过程中决定何时以及如何检索	❌ 低	✅ 高	⏳ 可变	可访问多个工具的研究助手
混合	结合了两种方法的特点并带有验证步骤	⚖️ 中等	⚖️ 中等	⏳ 可变	带有质量验证的领域特定问答

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的且有上限的。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——这些可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，非常适合许多将相关文档检索视为生成答案的明确先决条件的应用场景。

教程：检索增强生成 (RAG)

了解如何使用检索增强生成构建一个能基于您数据回答问题的问答聊天机器人。本教程介绍了两种方法

一种 RAG 智能体，它使用灵活的工具运行搜索——非常适合通用用途。
一种两步式 RAG 链，每个查询仅需一次 LLM 调用——对于简单任务既快速又高效。

代理式 RAG

智能体检索增强生成 (RAG) 将检索增强生成的优势与基于智能体的推理相结合。智能体（由 LLM 驱动）不是在回答前预先检索文档，而是逐步推理，并决定在交互过程中何时和如何检索信息。

智能体实现 RAG 行为所需的唯一条件是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,
});

显示扩展示例：用于 LangGraph llms.txt 的智能体 RAG

此示例实现了一个智能体 RAG 系统，以协助用户查询 LangGraph 文档。智能体首先加载 llms.txt（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 工具来检索并处理相关内容。

import { tool, createAgent, HumanMessage } from "langchain";
import * as z from "zod";

const ALLOWED_DOMAINS = ["https://github.langchain.ac.cn/"];
const LLMS_TXT = "https://github.langchain.ac.cn/langgraph/llms.txt";

const fetchDocumentation = tool(
  async (input) => {
    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 = `
You are an expert TypeScript developer and technical assistant.
Your primary role is to help users with questions about LangGraph and related tools.

Instructions:

1. If a user asks a question you're unsure about—or one that likely involves API usage,
   behavior, or configuration—you MUST use the \`fetch_documentation\` tool to consult the relevant docs.
2. When citing documentation, summarize clearly and include relevant context from the content.
3. Do not use any URLs outside of the allowed domain.
4. If a documentation fetch fails, tell the user and proceed with your best expert understanding.

You can access official documentation from the following approved sources:

${llmsTxtContent}

You MUST consult the documentation to get up to date documentation
before answering a user's question about LangGraph.

Your answers should be clear, concise, and technically accurate.
`;

const tools = [fetchDocumentation];

const agent = createAgent({
  model: "claude-sonnet-4-0"
  tools,
  systemPrompt,
  name: "Agentic RAG",
});

const response = await agent.invoke({
  messages: [
    new HumanMessage(
      "Write a short example of a langgraph agent using the " +
      "prebuilt create react agent. the agent should be able " +
      "to look up stock pricing information."
    ),
  ],
});

console.log(response.messages.at(-1)?.content);

教程：检索增强生成 (RAG)

了解如何使用检索增强生成构建一个能基于您数据回答问题的问答聊天机器人。本教程介绍了两种方法

一种 RAG 智能体，它使用灵活的工具运行搜索——非常适合通用用途。
一种两步式 RAG 链，每个查询仅需一次 LLM 调用——对于简单任务既快速又高效。

混合 RAG

混合 RAG 结合了两步式和智能体 RAG 的特点。它引入了诸如查询预处理、检索验证和生成后检查等中间步骤。这些系统比固定流水线提供了更大的灵活性，同时保持了对执行过程的一定控制。典型组件包括：

查询增强：修改输入问题以提高检索质量。这可以包括改写不明确的查询、生成多个变体，或使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足。如果不是，系统可以优化查询并再次检索。
答案验证：检查生成的答案在准确性、完整性以及与源内容的一致性方面是否达标。如有必要，系统可以重新生成或修改答案。

该架构通常支持在这些步骤之间进行多次迭代此架构适用于

查询模糊或定义不明确的应用
需要验证或质量控制步骤的系统
涉及多个源或迭代优化的工作流

教程：带自纠错的智能体 RAG

一个混合 RAG 示例，它将智能体推理与检索和自纠错相结合。

将这些文档连接到 Claude、VSCode 等，以获得实时答案。

在 GitHub 上编辑此页面或提交问题。

入门

核心组件

中间件

前端

高级用法

Agent 开发

使用 LangSmith 部署

检索

构建知识库

教程：语义搜索

从检索到 RAG

检索流水线

构建模块

文档加载器

嵌入模型

向量存储

检索器

RAG 架构

两步式 RAG

教程：检索增强生成 (RAG)

代理式 RAG

教程：检索增强生成 (RAG)

混合 RAG

教程：带自纠错的智能体 RAG

入门

核心组件

中间件

前端

高级用法

Agent 开发

使用 LangSmith 部署

文档索引

​构建知识库

教程：语义搜索

​从检索到 RAG

​检索流水线

​构建模块

文档加载器

嵌入模型

向量存储

检索器

​RAG 架构

​两步式 RAG

教程：检索增强生成 (RAG)

​代理式 RAG

教程：检索增强生成 (RAG)

​混合 RAG

教程：带自纠错的智能体 RAG

构建知识库

从检索到 RAG

检索流水线

构建模块

RAG 架构

两步式 RAG

代理式 RAG

混合 RAG