LangChain 实现知识库完整流程

LangChain 实现知识库完整流程

引用

CSDN

1.

https://blog.csdn.net/neweastsun/article/details/145770376

LangChain是一个强大的工具，用于构建基于文档的检索增强生成（RAG）系统。本文将详细介绍LangChain中处理文档的完整流程，包括加载文档、嵌入、文档转换、向量存储和检索器等核心步骤。通过具体的代码示例，帮助读者快速掌握LangChain的文档处理流程。

1. Load（加载文档）

定义：
Load是指从不同来源（如本地文件、网页、数据库等）加载原始文档到LangChain中。LangChain提供了多种Document Loader来支持这一过程。

示例：
使用TextLoader加载本地文本文件，或使用WebBaseLoader加载网页内容。

from langchain.document_loaders import TextLoader, WebBaseLoader

# 示例1：加载本地文本文件
local_loader = TextLoader("example.txt")
local_docs = local_loader.load()

# 示例2：加载网页内容
web_loader = WebBaseLoader(["https://example.com"])
web_docs = web_loader.load()

print("Loaded documents:", local_docs[0].page_content[:100] + "...")

2. Embed（嵌入）

定义：
Embed是将文本转换为高维向量（Embedding Vector）的过程，以便后续的语义搜索。LangChain支持多种嵌入模型（如OpenAI、Hugging Face等）。

示例：
使用OpenAI的嵌入模型将文本转换为向量。

from langchain.embeddings import OpenAIEmbeddings

# 初始化嵌入模型
embeddings = OpenAIEmbeddings()

# 将单条文本转换为向量
text = "Hello, world!"
embedding_vector = embeddings.embed_query(text)
print("Embedding shape:", len(embedding_vector))  # 输出向量维度（例如1536）

# 批量转换文档
doc_texts = [doc.page_content for doc in local_docs]
doc_embeddings = embeddings.embed_documents(doc_texts)

3. Document Transform（文档转换）

定义：
Document Transform是对原始文档进行预处理，例如分割长文本为短块（chunks）、过滤无关内容等。常用工具是文本分割器（Text Splitter）。

示例：
使用RecursiveCharacterTextSplitter分割文档。

from langchain.text_splitter import RecursiveCharacterTextSplitter

# 定义文本分割器
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,      # 每个块的最大长度
    chunk_overlap=50     # 块之间的重叠长度
)

# 分割文档
split_docs = text_splitter.split_documents(local_docs)
print("Number of chunks:", len(split_docs))
print("First chunk:", split_docs[0].page_content[:100] + "...")

4. Vector Store（向量存储）

定义：
Vector Store是将嵌入后的向量存储到数据库中，支持高效的相似性搜索。常见的向量数据库包括FAISS、Chroma、Pinecone等。

示例：
使用FAISS存储向量并检索。

from langchain.vectorstores import FAISS

# 将分割后的文档转换为向量并存储
vector_store = FAISS.from_documents(
    documents=split_docs,
    embedding=embeddings
)

# 保存向量库到本地（可选）
vector_store.save_local("faiss_index")

5. Retriever（检索器）

定义：
Retriever是从向量库中检索与输入查询最相关的文档片段的核心组件。它基于语义相似性（向量距离）进行搜索。

示例：
使用检索器查找相关文档。

# 从向量库创建检索器
retriever = vector_store.as_retriever(
    search_type="similarity",  # 搜索类型（"similarity" 或 "mmr"）
    search_kwargs={"k": 3}     # 返回前3个结果
)

# 执行检索
query = "What is the main topic of the document?"
relevant_docs = retriever.get_relevant_documents(query)
print("Retrieved documents:")
for doc in relevant_docs:
    print(doc.page_content[:100] + "...")

完整流程示例

将以上步骤整合为一个完整的RAG流程：

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

# 1. 加载文档
loader = TextLoader("example.txt")
docs = loader.load()

# 2. 文档转换（分割）
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
split_docs = text_splitter.split_documents(docs)

# 3. 嵌入
embeddings = OpenAIEmbeddings()

# 4. 向量存储
vector_store = FAISS.from_documents(split_docs, embeddings)

# 5. 检索器
retriever = vector_store.as_retriever(search_kwargs={"k": 2})

# 检索测试
query = "What is the key message?"
results = retriever.invoke(query)
print("Top 2 results:", results)

最后总结

• Load：从多种来源加载原始文档。
• Embed：将文本转换为向量表示。
• Document Transform：预处理文档（如分割）。
• Vector Store：存储向量以实现高效检索。
• Retriever：根据查询检索相关文档。

这些步骤构成了LangChain中处理文档的核心流程，广泛应用于问答系统、知识库搜索等场景。