从零手搓RAG知识库问答！1套可运行JS代码，搞定LangChain检索增强生成
😩做AI知识库你是不是也踩这些坑
想做私有文档问答，直接丢文本给大模型：
- 模型记不住长文档，上下文超限报错
- 回答凭空编造，出现大量事实幻觉
- 关键词检索只能匹配字面，语义相近内容完全搜不到
试了网上零散教程，要么代码残缺跑不通，要么只讲理论没有完整Demo。
今天这篇Node.js LangChain RAG完整实战，一套代码直接复制运行，手把手拆解向量库、文档、检索器、问答全链路，学完你能独立搭建小型私有知识库问答系统。
读完你能掌握：
- RAG完整底层原理，看懂向量嵌入+检索增强流程
- LangChain核心组件
Document/MemoryVectorStore/Retriever实战用法 - 相似度打分、元数据过滤、自定义Prompt完整实现
- 新手开发RAG必踩5个坑+对应解决方案
- 可直接复用的故事知识库问答Demo
📌先搞懂：RAG到底是什么
RAG全称Retrieval Augmented Generation（检索增强生成），解决大模型知识滞后、幻觉两大核心痛点。
完整执行链路：
- 知识库预处理：文件/文本拆分成段落文档Document
- Embedding向量化：把文本转为高维数字向量，存入向量数据库
- 用户提问：问题同步转为向量，在向量库做相似度匹配
- 检索召回：取出Top-K最相关文档片段
- 增强Prompt：把检索到的上下文塞进提示词一起发给LLM
- 模型生成：模型只能基于给定文档回答，大幅减少瞎编
LangChain核心模块分工
@langchain/openai：大模型对话、文本嵌入能力@langchain/core/documents：文档最小单元，存储文本+元数据@langchain/classic/vectorstores/memory：内存向量库，本地测试首选- Retriever检索器：封装向量搜索，自带去重、过滤、重排能力
🛠️环境准备
1. 安装依赖
npminstalldotenv @langchain/openai @langchain/core @langchain/classic2. .env配置文件
# 大模型配置 OPENAI_API_KEY=你的API密钥 OPENAI_BASE_URL=兼容OpenAI接口地址 MODEL_NAME=gpt-3.5-turbo # 嵌入模型 EMBEDDINGS_MODEL_NAME=text-embedding-v2🔥完整可运行实战代码（故事知识库问答）
新建index.js，全部代码复制即可运行：
import'dotenv/config'import{ChatOpenAI,OpenAIEmbeddings}from'@langchain/openai'import{MemoryVectorStore}from'@langchain/classic/vectorstores/memory'import{Document}from'@langchain/core/documents'// 1. 初始化对话大模型 temperature=0关闭随机，保证回答稳定constmodel=newChatOpenAI({temperature:0,model:process.env.MODEL_NAME,apiKey:process.env.OPENAI_API_KEY,configuration:{baseURL:process.env.OPENAI_BASE_URL,}})// 2. 初始化嵌入模型，文本转向量核心constembeddings=newOpenAIEmbeddings({apiKey:process.env.OPENAI_API_KEY,model:process.env.EMBEDDINGS_MODEL_NAME,configuration:{baseURL:process.env.OPENAI_BASE_URL,}})// 3. 构建知识库文档集合// Document结构：pageContent=待向量化文本，metadata=不参与向量计算的元数据（用于过滤溯源）constdocuments=[newDocument({pageContent:`光光是一个活泼开朗的小男孩，他有一双明亮的大眼睛，总是带着灿烂的笑容。光光最喜欢的事情就是和朋友们一起玩耍，他特别擅长踢足球，每次在球场上奔跑时，就像一道阳光一样充满活力。`,metadata:{chapter:1,character:"光光",type:"角色介绍",mood:"活泼"},}),newDocument({pageContent:`东东是光光最好的朋友，他是一个安静而聪明的男孩。东东喜欢读书和画画，他的画总是充满了想象力。虽然性格不同，但东东和光光从幼儿园就认识了，他们一起度过了无数个快乐的时光。`,metadata:{chapter:2,character:"东东",type:"角色介绍",mood:"温馨"},}),newDocument({pageContent:`有一天，学校要举办一场足球比赛，光光非常兴奋，他邀请东东一起参加。但是东东从来没有踢过足球，他担心自己会拖累光光。光光看出了东东的担忧，他拍着东东的肩膀说："没关系，我们一起练习，我相信你一定能行的！"`,metadata:{chapter:3,character:"光光和东东",type:"友情情节",mood:"鼓励"},}),newDocument({pageContent:`接下来的日子里，光光每天放学后都会教东东踢足球。光光耐心地教东东如何控球、传球和射门，而东东虽然一开始总是踢不好，但他从不放弃。东东也用自己的方式回报光光，他画了一幅画送给光光，画上是两个小男孩在球场上一起踢球的场景。`,metadata:{chapter:4,character:"光光和东东",type:"友情情节",mood:"互助"},}),newDocument({pageContent:`比赛那天终于到了，光光和东东一起站在球场上。虽然东东的技术还不够熟练，但他非常努力，而且他用自己的观察力帮助光光找到了对手的弱点。在关键时刻，东东传出了一个漂亮的球，光光接球后射门得分！他们赢得了比赛，更重要的是，他们的友谊变得更加深厚了。`,metadata:{chapter:5,character:"光光和东东",type:"高潮转折",mood:"激动"},}),newDocument({pageContent:`从那以后，光光和东东成为了学校里最要好的朋友。光光教东东运动，东东教光光画画，他们互相学习，共同成长。每当有人问起他们的友谊，他们总是笑着说："真正的朋友就是互相帮助，一起变得更好的人！"`,metadata:{chapter:6,character:"光光和东东",type:"结局",mood:"欢乐"},}),newDocument({pageContent:`多年后，光光成为了一名职业足球运动员，而东东成为了一名优秀的插画师。虽然他们走上了不同的道路，但他们的友谊从未改变。东东为光光设计了球衣上的图案，光光在每场比赛后都会给东东打电话分享喜悦。他们证明了，真正的友情可以跨越时间和距离，永远闪闪发光。`,metadata:{chapter:7,character:"光光和东东",type:"尾声",mood:"温馨"},}),];// 4. 文档批量向量化，存入内存向量库constvectorStore=awaitMemoryVectorStore.fromDocuments(documents,embeddings)// 5. 生成检索器，k=3代表召回相似度最高的3条文档constretriever=vectorStore.asRetriever({k:3})// 测试提问constquestion="东东和光是怎么成为好朋友的？"console.log('='.repeat(80));console.log(`用户问题：${question}`);console.log('='.repeat(80));// 方式1：检索器获取文档（内置去重、rerank重排序）constdocs=awaitretriever.invoke(question);// 方式2：原生向量检索，附带相似度分数（余弦距离，数值越小越相似）constscoreResults=awaitvectorStore.similaritySearchWithScore(question,3);// 打印检索结果+相似度docs.forEach((doc,i)=>{constscoreResult=scoreResults.find(([scoredDoc])=>{scoredDoc.pageContent===doc.pageContent})constscore=scoreResult?scoreResult[1]:null;constsimilarity=score!=null?(1-score).toFixed(4):"N/A"console.log(`\n[文档${i+1}] 相似度:${similarity}| 原始向量分:${score}`);console.log(`片段内容:${doc.pageContent.substring(0,60)}...`);console.log(`元数据：章节${doc.metadata.chapter}，类型${doc.metadata.type}`);})// 6. 拼接检索上下文，自定义约束Promptconstcontext=docs.map((doc,i)=>`[片段${i}]\n${doc.pageContent}`).join("\n\n-----\n\n");constprompt=`你是一个讲友情故事的老师。严格基于下方故事片段回答问题，语言温暖生动。 如果片段里没有对应信息，统一回复："这个故事里还没有提到这个细节"，禁止编造内容。 故事片段:${context}问题：${question}老师的回答:`;// 7. 调用大模型生成答案constresponse=awaitmodel.invoke(prompt);console.log("\n=====AI最终回答=====")console.log(response.content);📖代码核心逻辑拆解
1. Document文档对象
RAG最小存储单元，分为两部分：
pageContent：核心文本，唯一会参与Embedding向量化的字段metadata：自定义元数据，不做向量计算，用于过滤、溯源、分类
示例：区分章节、角色、内容类型，后续可实现按章节检索
2. MemoryVectorStore内存向量库
- 优点：零额外服务、开箱即用、适合本地Demo/小型测试
- 缺点：程序重启向量全部丢失，生产环境替换PGVector/Milvus/Chroma
3. 两种检索方式区别
retriever.invoke(question)
封装高阶能力：向量检索+自动去重+过滤+结果重排rerank，业务开发首选vectorStore.similaritySearchWithScore(question, k)
底层原生向量查询，仅返回文档+余弦距离分数，用于调试相似度效果
相似度计算公式：
1 - 向量距离，数值越接近1，文本语义越匹配
4. 增强Prompt设计关键点
- 强制约束模型只能基于检索片段回答，从根源抑制幻觉
- 无相关内容时固定话术，避免模型自由发挥编造信息
- 统一文风约束，控制输出格式
⚠️新手做LangChain RAG必踩5大坑
坑1：metadata也参与向量化
很多新手把链接、章节、标签写进pageContent，导致向量语义混乱。
解决方案：业务属性全部放进metadata，仅正文存入pageContent。
坑2：temperature设置过高
temperature>0会让模型自由发挥，容易脱离检索文本编造内容。
解决方案：知识库问答固定temperature:0，关闭随机性。
坑3：混淆retriever和原生similaritySearch
直接用similaritySearchWithScore做业务检索，缺少去重、重排序，召回脏数据。
解决方案：业务逻辑统一使用retriever.invoke()，打分仅用于调试。
坑4：文档不分块直接全量入库
长篇小说、上万字文档直接存入Document，向量语义混杂，检索精度暴跌。
解决方案：生产环境搭配文本分割器RecursiveCharacterTextSplitter拆分长文本。
坑5：忽略LangChain版本迭代
框架更新速度极快，导入路径、类名频繁变动，网上旧教程直接报错。
解决方案：优先参考官方最新文档，固定依赖版本避免兼容问题。
📊RAG适用场景&选型建议
适合用这套内存RAG
- 本地小型知识库Demo、内部测试工具
- 文档总量百条以内，不需要持久化向量
- 快速验证私有文档问答需求
不适合，建议换持久向量库
- 线上生产服务、十万级以上文档
- 需要程序重启保留向量数据
- 高并发检索、要求毫秒级查询速度
✅全文总结
- RAG核心逻辑：文档向量化存储→语义检索→上下文注入Prompt→模型精准回答，解决大模型幻觉问题
- LangChain标准化组件大幅降低AI应用开发成本，Document、向量库、检索器可自由替换
MemoryVectorStore是入门最佳选择，一套JS代码即可跑通完整问答流程- 开发重点：规范Document结构、关闭模型随机、优先使用Retriever高阶检索、严格约束Prompt减少编造