从文档到答案：拆解一个可运行的 LangChain

把一份 PDF 传进系统，问句话，几秒后它不光给答案，还甩给你一段原文和出处。看着像普通聊天，背后其实跑着两条完全不同的流水线。

一条管入库：先把文档拆成约 500 字的小块，相邻两块重叠 50 字，免得关键句刚好被切在边界上。接着用模型把它们转成 1536 维向量，塞进 Milvus 数据库。另一条管问答：你的问题也被转成向量，去库里找最像的 5 段原文，连同问题一起喂给大模型组织答案。

这套东西最扎心的一点：检索质量直接决定答案上限。要是第一步没找对证据，后面模型再强也是白搭。而且向量库里不能只存向量，原文、文件名、页码、版本这些元数据也得带上，不然根本没法追溯。

不过这项目目前还只是个能跑通的 Demo。真要拿来干活，还得补上权限控制、增量更新、混合检索、拒答策略和效果监控。说白了，大模型负责把话说清楚，RAG 负责让这句话有出处。