用 LangChain 搭一条最小 RAG 链路
按 LangChain RAG 文档完成切分、向量化、检索与生成的最小闭环。
基于 LangChain Docs 整理 · RAG · 官方资料
RAG 把私有文档接到模型回答前。LangChain 文档给出标准组件：loader、splitter、embeddings、vector store、retriever。
这篇按官方路径搭一条可运行的问答链，不引入额外 Agent 编排。
切分、索引、检索、生成
- 加载文档并按 chunk 切分
- 用 Embedding 写入向量库
- 用问题检索 top-k 片段
- 把片段与问题交给模型生成答案
具体类名以当前 LangChain 文档示例为准；优先复制官方 notebook / docs 中的可运行片段，再换成你的语料。
最容易踩的坑
答案完全不着边际
先打印检索到的 chunk；召回失败时先调切分与 top-k，而不是先换更大模型。
官方资料
LangChain DocsRAGRAG 专题
RAG 指南与工具选型从文档处理、Embedding、检索到编排，查看相关指南、模型与工具。相关 AI 工具
相关 TodayAI 指南
- 用 Responses API File Search 检索 PDF 知识库上传一个 PDF 到 OpenAI Vector Store，再用 Responses API 的 file_search 基于这份文件回答问题。
- 用 Gemini File Search 做托管文档检索创建 File Search store、上传文档、等待索引，再在 Interactions 中启用 file_search 做 RAG 问答。
- 用 Deep Agents 做文档 RAG Agent按官方 retrieve → offload → delegate 模式：索引文档、用检索工具把片段写入 filesystem，再交给子代理分析并合成回答。