当模型开始遗忘世界，我们用文档喂养它。当知识不再写在脑海，而是沉入向量空间，你写的，不再是代码，而是一条通往“理解”的路径。

什么是文档问答系统？

让模型基于你的私有数据回答问题，而不是“胡说八道”。

核心架构（RAG）：

用户问题   ↓向量检索（找到相关文档）   ↓拼接上下文   ↓LLM生成答案

                ┌──────────────┐                │   Web 前端    │                │ Chat + 上传   │                └──────┬───────┘                       ↓                ┌──────────────┐                │   FastAPI     │                │   接口层       │                └──────┬───────┘                       ↓        ┌────────────────────────────┐        │         RAG核心层           │        │                            │        │  Loader → Splitter → Embedding │        │            ↓                │        │      Vector DB（Milvus）     │        │            ↓                │        │        Retriever            │        │            ↓                │        │           Qwen              │        └────────────────────────────┘

整体流程拆解

我们今天做的，不是调用 API，而是完整构建：

文档处理与加载（Document Loader）

索引构建（Embedding + Vector Store）

检索与问答（Retriever + QA Chain）

文档加载

文档，是一切的起点。

from langchain.document_loaders import TextLoaderloader = TextLoader("data.txt", encoding="utf-8")docs = loader.load()

本质理解

这里做了两件事：

• • 把文本 → LangChain Document对象
• • 为后续处理统一格式

你可以加载：

txt / pdf / docx / html / 网页 / 数据库

文本切分

为什么要切？

因为模型吃不下整本书。

from langchain.text_splitter import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(    chunk_size=500,    chunk_overlap=50)split_docs = splitter.split_documents(docs)

设计哲学

• • chunk_size：信息密度
• • overlap：上下文连续性

切分，不是切文本，是在切“语义”。

构建向量索引

让文本变成“可以被搜索的空间”。

from langchain.embeddings import HuggingFaceEmbeddingsembedding = HuggingFaceEmbeddings(    model_name="BAAI/bge-small-zh")

Embedding 本质

它不是翻译，而是：

把“意义”压缩成向量坐标

向量数据库

from langchain.vectorstores import FAISSdb = FAISS.from_documents(split_docs, embedding)

本质理解

你不是在存文本，而是在构建：

一个“语义空间”

问题进来 → 找最近的点 → 返回相关文档

检索 + 问答

from langchain.chains import RetrievalQAfrom langchain.llms import OpenAIqa = RetrievalQA.from_chain_type(    llm=OpenAI(),    retriever=db.as_retriever())

真正发生的事情

用户问：LangChain是什么？        ↓Embedding → 向量        ↓相似度搜索        ↓找出最相关3段文本        ↓拼接 Prompt        ↓LLM回答

完整最小可运行代码

from langchain.document_loaders import TextLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain.vectorstores import FAISSfrom langchain.embeddings import HuggingFaceEmbeddingsfrom langchain.chains import RetrievalQAfrom langchain.llms import OpenAI# 1. 加载文档loader = TextLoader("data.txt", encoding="utf-8")docs = loader.load()# 2. 切分splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)split_docs = splitter.split_documents(docs)# 3. 向量化embedding = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh")# 4. 构建向量库db = FAISS.from_documents(split_docs, embedding)# 5. 构建问答系统qa = RetrievalQA.from_chain_type(    llm=OpenAI(),    retriever=db.as_retriever())# 6. 运行whileTrue:    q = input("问：")print(qa.run(q))

项目下载

我已经帮你打包好一个最小工程

https://github.com/wujianyouhun/demo-for-blog/tree/master/python/LangChain/geo_rag_agent