LangChain接入向量数据库

LangChain 常用于构建 RAG 应用，而向量数据库是 RAG 的核心组件之一。接入向量数据库后，系统可以根据用户问题检索相关文档，再交给模型回答。

RAG最小流程

1. 加载文档；
2. 切分文档；
3. 生成向量；
4. 存入向量数据库；
5. 用户提问时检索相关片段；
6. 把片段放入提示词；
7. 模型生成答案。

LangChain 提供了文档加载器、切分器、Embedding、VectorStore 和 Retriever 等模块。

文档切分

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=80
)
docs = splitter.split_documents(raw_docs)

chunk_size 太大容易噪声多，太小容易缺上下文。chunk_overlap 可以保留片段之间的连续性。

写入向量库

伪代码：

vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=embedding_model,
    persist_directory='db/chroma'
)

实际项目中要保存来源、标题、页码等 metadata，否则回答无法引用出处。

检索相关文档

retriever = vectorstore.as_retriever(search_kwargs={'k': 4})
results = retriever.invoke('报销高铁票需要什么材料？')

k 表示返回多少个片段。太少可能漏资料，太多会增加噪声和 token 成本。

组合成问答链

检索到片段后，把它们拼进提示词：

请只根据以下资料回答问题。
资料：{context}
问题：{question}

如果资料中没有答案，应该要求模型回答“资料中未提到”，避免幻觉。

常见问题

• 文档切分不合理；
• embedding 模型和语言不匹配；
• 没保存 metadata；
• 检索结果相关性差；
• 把太多片段塞给模型；
• 没有评估召回质量。

小结

LangChain 接入向量数据库的重点不是“能查出来”，而是查得准、来源清楚、上下文合适。RAG 的质量上限，往往取决于文档处理和检索质量。