夜雨聆风
让大模型读懂你的私有文档:一文讲透 RAG 检索增强生成与Agent智能体落地
RAG
RAG，即Retrieval Augmented Generation，检索增强生成，被誉为当前大模型落地的“黄金架构”。它的核心逻辑非常简单却高效：先检索私有文档，后生成。
在用户提问时，系统先去私有知识库中搜索相关片段，将这些片段作为“上下文”连同问题一起喂给大模型。这样，大模型就能基于事实回答问题，极大地减少了幻觉，提升了专业度。
LangChain 重塑 RAG
一
在 LangChain 生态中，RAG 的核心逻辑通过 Retriever 接口完美落地。
-
外部数据的接入点：LangChain 提供了丰富的 Retriever integrations，让你能轻松连接各种数据源（无论是本地的 PDF/Markdown 文档，还是外部的 API 服务）。 -
打破知识边界：通过调用这些检索器，大模型不再受限于训练数据的截止时间或通用知识库，它获得了动态的“外部记忆”，能够基于你提供的私有数据回答问题，从而真正实现 RAG 的价值——精准、可控、无幻觉。
核心依赖库安装
pip install langchain-text-splitters faiss-cpu langchain_communitypip install dashscope
-
langchain-text-splitters：文本切割成小块
-
faiss-cpu：向量数据库，实现高效检索
-
langchain_community：是连接 LangChain 核心与外部生态的桥梁
-
dashscope: 通义千问系列的官方 Python SDK
实战演练：构建 Agentic RAG 系统
二
本案例将构建一个“校园学生手册问答助手”。
-
输入：一份 student.mdMarkdown 格式的学生手册。 -
能力：用户提问学校纪律等内容，系统自动检索手册内容并回答。 -
架构：DeepSeek (LLM) + DashScope (Embedding) + FAISS (Vector DB) + LangChain Agent。
2.1 通过API调用DeepSeek【DeepSeek 作为推理模型】
import osfrom dotenv import load_dotenvload_dotenv(override=True)# 初始化 DeepSeek 大模型 (推理大脑)from langchain_deepseek import ChatDeepSeekmodel = ChatDeepSeek(model='deepseek-chat',api_key = os.getenv("DEEPSEEK_API_KEY"))question = "你好，请你介绍一下你自己。"result = model.invoke(question)print(result.content)
2.2 使用通义千问的`Embeddings`模型将自然语言转化成词向量
from langchain_community.embeddings import DashScopeEmbeddings#初始化 DashScope Embedding (文本向量化)embed = DashScopeEmbeddings(model="text-embedding-v3", # 使用通义千问 text-embedding-v3 模型dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"))# 简单测试向量化text = "你好，这是一个测试。"query_result = embed.embed_query(text)print(query_result[:5]) # 打印前5个维度,输出如下#[-0.08589579164981842, 0.015449581667780876, -0.09188129007816315, -0.05301441624760628, -0.04971073195338249]
2.3 文本数据处理与向量库构建
-
读取本地学生手册文档，按 Markdown 标题智能切分
# 读取文档file_path = "student.md"with open(file_path, "r", encoding="utf-8") as f:md_content = f.read()md_content#按标题层级切割 (#, ##)，保留结构信息from langchain_text_splitters import MarkdownHeaderTextSplitterheaders_to_split_on = [("#", "Header 1"),("##", "Header 2")]markdown_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on)md_header_splits = markdown_splitter.split_text(md_content)md_header_splits
-
创建并保存 FAISS 向量库
from langchain_community.vectorstores import FAISSvector_store = FAISS.from_documents(md_header_splits, embedding=embed)vector_store.save_local("student_handbook_db")
此时在本地会出现Faiss向量文件：
-
创建检索器 (Retriever)
# 将 FAISS 向量存储转换为一个 retriever（检索器），并为该检索器设置一些搜索相关的参数。k=1 表示检索时返回 最相似的 3 个文档retriever = vector_store.as_retriever(search_kwargs={'k': 3})
2.4 封装工具与构建 Agent
2.4 封装工具与构建 Agent
这是让系统变“聪明”的关键。我们将检索功能封装为 Tool，并告诉 Agent 何时使用它。
from langchain.tools import tool#定义检索工具@tool(response_format="content_and_artifact")def retrieve_context(query: str):"""当需要查询学生手册、校规、宿舍管理等具体文档内容时使用此工具。"""retrieved_docs = vector_store.similarity_search(query, k=2)serialized = "\n\n".join((f"Source: {doc.metadata}\nContent: {doc.page_content}")for doc in retrieved_docs)return serialized, retrieved_docsprompt = """你是一名乐于助人的校园助手。- 当用户提问涉及：入学、考核、成绩、宿舍、校园生活等具体规章时，**必须**调用 `retrieve_context` 工具检索文档后回答。- 对于闲聊、通用常识或其他无关话题，直接利用你的内部知识回答，**不要**调用工具。"""#创建 Agentfrom langchain.agents import create_agenttools = [retrieve_context]agent = create_agent(model, tools, system_prompt=prompt)#发起测试response = agent.invoke({"messages": [{"role": "user", "content": "请问学校宿舍如何管理？"}]})responseresponse['messages'][-1].content
运行结果解析：当你运行上述代码提问“宿舍如何管理？”时，后台会发生以下流程：
-
思考：Agent 分析用户意图，发现涉及“宿舍管理”，匹配到 Prompt 中的规则。
-
行动：Agent 决定调用 retrieve_context 工具，传入 query。
-
检索：工具内部调用 FAISS，在向量库中搜索相似片段，返回具体的宿舍管理规定文本。
-
生成：Agent 结合检索到的真实文本，组织语言，输出最终答案。
-
这就是 Function Calling 驱动的 Agentic RAG 全流程。
🚀 总结
通过本文，我们理清了 LangChain 中各组件的职责，亲手实现了一个具备“思考 – 检索 – 回答”闭环的RAG智能体。
-
LangChain 提供了标准化的RAG组装方式；
-
FAISS 解决了海量数据的快速记忆问题；
-
Agent 机制则让大模型学会了“按需索取”，不再盲目生成。
你可以将 student.md 替换为公司的员工手册、产品说明书或法律条文，瞬间拥有一个懂业务、会查资料的 AI 专家。
Reference
【1】 赋范空间科技课程
——The End——
