langchain框架和RAG的介绍
1、介绍：
LangChain是一个开发LM相关业务功能的集大成者，是一个Python的第三方库，提供了各种功能的API。
2、主要功能：
3、langchain的环境部署
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain langchain-community langchain-ollama dashscope chromadb使用的清华镜像
4、RAG技术
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与语言生成的技术框架，能够有效提升大语言模型在知识密集型任务中的表现。其标准流程由索引（Indexing）、检索（Retrieval） 和生成（Generation） 三个核心阶段组成。
5、RAG的具体流程图
6、详细的具体流程描述
一、索引阶段
索引阶段的目标是将原始文档转化为可供检索的向量数据库。整个过程包括以下步骤：
加载文件
支持多种来源和格式的文档，如 PDF、Word、网页、数据库等。内容提取
从文件中解析出纯文本内容，去除无关的格式或元数据。文本分割（Chunking）
将长文本切分成标准长度的文本块（chunk），常用方式包括按固定长度分割、基于语义边界分割等。分割大小直接影响检索精度和生成效果。文本向量化（Embedding）
使用嵌入模型将每个文本块转换为高维向量表示。向量能够捕捉文本的语义信息。存储向量数据库
将生成的向量及对应的文本块存储到向量数据库中，如 Chroma、FAISS、Pinecone 等，以便后续快速检索。
二、检索阶段
当用户提出查询时，检索阶段负责从向量数据库中找出与问题最相关的文本块。
查询向量化
将用户的查询（query）通过相同的嵌入模型转换为向量表示。相似度匹配
在向量数据库中执行相似度搜索（如余弦相似度），匹配出与查询向量最相似的 Top‑K 个文本块。这些文本块即作为后续生成阶段的外部知识来源。
三、生成阶段
最后，将检索到的相关文本与原始查询组合，交给大语言模型生成最终答案。
构建提示词（Prompt）
将检索到的文本块作为上下文，与用户的原始问题一起组装成结构化的提示词。例如：根据以下参考信息回答问题： [检索到的文本块] 问题：[用户查询]
提交给 LLM 生成答案
将构建好的提示词输入大语言模型，模型结合提供的上下文生成精确、有依据的回答。由于融合了外部知识，生成内容能有效减少幻觉现象。