RAG知识库搭建实战：零基础使用LangChain+
环境准备：工具与依赖
开始前请确认你的电脑已安装 Python 3.8 或更高版本，建议使用虚拟环境避免依赖冲突。
打开终端依次执行以下命令：
pip install langchain chromadb sentence-transformers这三个库分别是编排框架、向量数据库和嵌入模型工具。
接着需要本地嵌入模型，推荐使用 Ollama 简化部署。
前往 ollama.com 下载安装，然后拉取轻量模型 nomic-embed-text：
ollama pull nomic-embed-textOllama 会提供兼容 OpenAI 的 API，LangChain 可以直接调用。
如果电脑配置较低，也可以改用 sentence-transformers 加载 BAAI/bge-small-zh-v1.5 等中文模型，替换后续的 OllamaEmbeddings 为 HuggingFaceEmbeddings。
文档加载与分割
假设你有一份 公司产品手册.txt 需要转为知识库。
LangChain 支持纯文本、PDF、Word 等格式，这里以 txt 为例：
from langchain.document_loaders import TextLoader
loader = TextLoader("公司产品手册.txt")
documents = loader.load()原始文档可能很长，必须切成小片段才能检索。
推荐使用 RecursiveCharacterTextSplitter，按段落和句子切分：
from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = splitter.split_documents(documents)chunk_size 控制每个片段的字符数，chunk_overlap 让相邻片段有重叠，避免关键信息被切断。
创建向量库并持久化
随后将切好的文档片段转为向量并存入 Chroma。
首先通过 Ollama 获取嵌入：
from langchain.embeddings import OllamaEmbeddings
from langchain.vectorstores import Chroma
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectordb = Chroma.from_documents(docs, embeddings, persist_directory="./chroma_db")
vectordb.persist()persist_directory 指定向量库的本地存储路径，以后可以直接加载，无需重复生成。
注意如果重新建库，先删除旧的 ./chroma_db 文件夹再运行。
搭建检索问答链
现在需要一个大脑（LLM）来理解你的问题并基于检索内容生成答案。
同样使用 Ollama 提供一个聊天模型，比如 Mistral：
ollama pull mistral接着构建链：
from langchain.chains import RetrievalQA
from langchain.llms import Ollama
llm = Ollama(model="mistral")
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectordb.as_retriever())试试提问：
question = "公司产品手册中提到了哪些售后服务？"
answer = qa_chain.run(question)
print(answer)如果一切正常，你会看到基于你上传文档生成的回答。
避坑指南
- 切块参数调整：chunk_size 推荐 300～800，chunk_overlap 设为 10%～20%。中文文档可以稍微减小 chunk_size，避免片段包含不完整句子。
- 模型选型：Ollama 默认模型可能不支持中文，建议使用
qwen2:0.5b或phi3:3.8b等中文友好模型。嵌入模型推荐nomic-embed-text或bge-m3。 - 内存不足怎么办：选择更小的 LLM 模型（如
tinyllama），或改用 GPU 推理。嵌入模型尽量轻量。 - 首次运行需下载模型文件：保持网络畅通，模型文件大小从几百 MB 到几 GB。
- 持久化路径冲突：不要重复使用同一个 persist_directory 建库，否则会追加。如需重建，先手动删除目录。
验证与常见问题
运行上述代码后，输入一个测试问题。
如果回答内容与你上传的文档一致，说明知识库已生效。
你也可以直接检验向量库：
loaded_db = Chroma(persist_directory="./chroma_db", embedding_function=embeddings)
retriever = loaded_db.as_retriever()
results = retriever.get_relevant_documents("售后服务")
print(len(results), results[0].page_content[:100] if results else "无结果")Q：为什么回答总是说“我不知道”？ A：常见原因是文档切块过大或嵌入模型不适合中文，建议更换 bge-small-zh-v1.5 并调小 chunk_size。
Q：能不能直接支持 PDF？ A：可以，改用 PyPDFLoader 加载，安装 pypdf 即可。
Q：怎么让知识库支持更多文件？ A：LangChain 提供了 DirectoryLoader，可以一次性读取文件夹内所有支持格式的文件。
到这里，你的 RAG 知识库就搭建完成，可以继续封装为 Web API 或集成到企业微信机器人中。
如果在搭建过程中遇到其他问题，欢迎查阅 LangChain 官方文档或留言交流。
