检索 - LangChain中文文档

大型语言模型（LLM）功能强大，但有两个关键局限性：

有限的上下文——它们无法一次性处理整个语料库。
静态知识——训练数据在某个时间点被冻结。

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

构建知识库

知识库是用于检索期间存储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从您自己的数据构建一个。

如果您已经有知识库（例如 SQL 数据库、CRM 或内部文档系统），您不需要重建它。您可以：

将其作为工具连接到代理中的代理式 RAG。
查询它并将为检索提供的内容作为上下文给 LLM （两步式 RAG）。

请参阅以下教程来构建可搜索的知识库和最小化 RAG 工作流程：

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创建可搜索的知识库。在本教程中，您将构建一个基于 PDF 的搜索引擎，能够检索与查询相关的段落。您还将在此搜索引擎之上实现一个最小化的 RAG 工作流程，以了解外部知识如何集成到 LLM 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：将检索与生成相结合以产生有依据的、上下文感知的答案。这是**检索增强生成（RAG）**的核心思想。检索管道成为更广泛系统的基础，该系统将搜索与生成相结合。

检索管道

典型的工作流程如下：每个组件都是模块化的：您可以交换加载器、分割器、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

从外部来源（Google Drive、Slack、Notion 等）摄取数据，返回标准化的 Document 对象。

文本分割器

将大型文档拆分为较小的块，这些块可以单独检索并适合模型的上下文窗口。

嵌入模型

嵌入模型将文本转换为数字向量，以便含义相似的文本在该向量空间中彼此靠近。

向量存储

专门用于存储和搜索嵌入的数据库。

检索器

检索器是一个接口，在给定非结构化查询时返回文档。

RAG 架构

根据您系统的需求，RAG 可以有多种实现方式。我们在下文中概述每种类型。

架构	描述	控制性	灵活性	延迟	示例用例
两步式 RAG	生成前始终执行检索。简单且可预测	✅ 高	❌ 低	⚡ 快	常见问题解答、文档机器人
代理式 RAG	由 LLM 驱动的代理在推理过程中决定何时和如何检索	❌ 低	✅ 高	⏳ 可变	可访问多个工具的研究助手
混合式	结合两种方法的特点并带有验证步骤	⚖️ 中等	⚖️ 中等	⏳ 可变	带质量验证的领域特定问答

延迟：延迟在两步式 RAG 中通常更可预测，因为最大 LLM 调用次数是已知且有上限的。这种可预测性假设 LLM 推理时间是主要因素。然而，现实世界的延迟也可能受到检索步骤性能的影响——如 API 响应时间、网络延迟或数据库查询——这些可能因使用的工具和基础设施而异。

两步式 RAG

在两步式 RAG 中，检索步骤始终在生成步骤之前执行。这种架构简单直接且可预测，适用于许多应用程序，其中检索相关文档是生成答案的明确前提。

教程：检索增强生成（RAG）

了解如何构建能够基于您的数据回答问题的问答聊天机器人。本教程介绍两种方法：

一个使用灵活工具运行搜索的 RAG 代理——适合通用用途。
一个每查询只需一次 LLM 调用的两步式 RAG 链——对于更简单的任务快速高效。

代理式 RAG

代理式检索增强生成（RAG）将检索增强生成的优势与基于代理的推理相结合。代理（由 LLM 驱动）不是先检索文档再回答，而是在交互过程中逐步推理，并决定何时和如何检索信息。

代理启用 RAG 行为只需要访问一个或多个可以获取外部知识的工具——如文档加载器、Web API 或数据库查询。

import requests
from langchain.tools import tool
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent


@tool
def fetch_url(url: str) -> str:
    """Fetch text content from a URL"""
    response = requests.get(url, timeout=10.0)
    response.raise_for_status()
    return response.text

system_prompt = """\
Use fetch_url when you need to fetch information from a web-page; quote relevant snippets.
"""

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[fetch_url],   # 用于检索的工具
    system_prompt=system_prompt,
)

Show 扩展示例：用于 LangGraph llms.txt 的代理式 RAG

此示例实现了一个代理式 RAG 系统，帮助用户查询 LangGraph 文档。代理首先加载 llms.txt，其中列出了可用的文档 URL，然后可以动态使用 fetch_documentation 工具根据用户的问题检索和处理相关内容。

import requests
from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain.tools import tool
from markdownify import markdownify


ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"]
LLMS_TXT = 'https://langchain-ai.github.io/langgraph/llms.txt'


@tool
def fetch_documentation(url: str) -> str:
    """Fetch and convert documentation from a URL"""
    if not any(url.startswith(domain) for domain in ALLOWED_DOMAINS):
        return (
            "Error: URL not allowed. "
            f"Must start with one of: {', '.join(ALLOWED_DOMAINS)}"
        )
    response = requests.get(url, timeout=10.0)
    response.raise_for_status()
    return markdownify(response.text)


# 我们将提前获取 llms.txt 的内容，因此这可以在不需要 LLM 请求的情况下完成。
# be done ahead of time without requiring an LLM request.
llms_txt_content = requests.get(LLMS_TXT).text

# System prompt for the agent
system_prompt = f"""
You are an expert Python 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:

{llms_txt_content}

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.
"""

tools = [fetch_documentation]

model = init_chat_model("claude-sonnet-4-0", max_tokens=32_000)

agent = create_agent(
    model=model,
    tools=tools,
    system_prompt=system_prompt,
    name="Agentic RAG",
)

response = agent.invoke({
    'messages': [
        HumanMessage(content=(
            "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."
        ))
    ]
})

print(response['messages'][-1].content)

教程：检索增强生成（RAG）

了解如何构建能够基于您的数据回答问题的问答聊天机器人。本教程介绍两种方法：

一个使用灵活工具运行搜索的 RAG 代理——适合通用用途。
一个每查询只需一次 LLM 调用的两步式 RAG 链——对于更简单的任务快速高效。

混合式 RAG

混合式 RAG 结合了两步式和代理式 RAG 的特点。它引入中间步骤，如查询预处理、检索验证和生成后检查。这些系统比固定管道提供更多灵活性，同时保持对执行的一些控制。典型组件包括：

查询增强：修改输入问题以提高检索质量。这可能涉及重写不清晰的查询、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足够。如果不是，系统可能会优化查询并再次检索。
答案验证：检查生成的答案的准确性、完整性和与源内容的一致性。如果需要，系统可以重新生成或修改答案。

该架构通常支持这些步骤之间的多次迭代：此架构适用于：

模糊或未明确指定查询的应用程序
需要验证或质量控制步骤的系统
涉及多个来源或迭代优化的工怍流程

教程：带自我修正的代理式 RAG

结合代理推理与检索和自我修正的混合式 RAG 示例。

在 GitHub 上编辑此页面或提交问题。

通过 MCP 将这些文档连接到 Claude、VSCode 等，获取实时答案。

Get started

Core components

Middleware

Frontend

Advanced usage

Agent development

Deploy with LangSmith

检索

构建知识库

教程：语义搜索

从检索到 RAG

检索管道

构建模块

文档加载器

文本分割器

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）

混合式 RAG

教程：带自我修正的代理式 RAG

Get started

Core components

Middleware

Frontend

Advanced usage

Agent development

Deploy with LangSmith

​构建知识库

教程：语义搜索

​从检索到 RAG

​检索管道

​构建模块

文档加载器

文本分割器

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）

​混合式 RAG

教程：带自我修正的代理式 RAG

构建知识库

从检索到 RAG

检索管道

构建模块

RAG 架构

两步式 RAG

代理式 RAG

混合式 RAG