面经策

什么是 RAG？在 LangChain 中如何实现 RAG 应用？ ​

  • 标签：LangChain、RAG 检索增强

🏛 业务架构师 ​

RAG 在 LangChain 中的实现，我按组件到链路讲（0.2/0.3 版写法）：

核心组件装配：

python
from langchain_community.vectorstores import FAISS
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI

# 1. 知识入库
docs = WebBaseLoader(url).load_and_split(
    RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50))
embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-large-zh-v1.5")
vs = FAISS.from_documents(docs, embeddings)

# 2. 检索+生成链
retriever = vs.as_retriever(search_kwargs={"k": 4})
prompt = ChatPromptTemplate.from_messages([
    ("system", "仅依据 <ctx>{context}</ctx> 回答，标注引用，资料不足则说明。"),
    ("human", "{question}"),
])
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt | ChatOpenAI(model="qwen-plus") | StrOutputParser()
)
rag_chain.invoke("退货政策是什么")

生产化补齐清单（业务重点）：

  • 检索增强：多路召回（EnsembleRetriever 向量+BM25）+ Rerank 精排 + 元数据过滤（权限、时效）；
  • 引用溯源：分块带编号与来源元数据，要求模型标注引用；
  • 会话支持：加历史管理（RunnableWithMessageHistory）+ 问题改写（结合历史消解指代）；
  • 质量评测：RAGAS 评命中率/忠实度，badcase 回流迭代。

落地节奏：先用最小链路（上面 20 行）两周验证业务价值，再按 badcase 逐项增强——RAG 的护城河在数据治理和评测迭代，不在代码复杂度。

🏗 系统架构师 ​

RAG（检索增强生成）= 生成前检索相关知识注入上下文；LangChain 实现（LCEL 现代姿势）：

python
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_community.vectorstores import FAISS

# 1. 建库（离线）
vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# 2. RAG 链（在线）
prompt = ChatPromptTemplate.from_messages([
    ("system", "仅根据以下资料回答，无依据时回答'资料不足'，标注来源[1][2]。\n资料：\n{context}"),
    ("human", "{question}"),
])

def format_docs(docs):
    return "\n\n".join(f"[{i+1}] {d.page_content}" for i, d in enumerate(docs))

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt | ChatOpenAI(model="gpt-4o") | StrOutputParser()
)
rag_chain.invoke("退货政策是什么？")

架构师视角的要点（比代码重要）：

  • 生产化增强：混合检索（EnsembleRetriever：向量+BM25）+ Rerank 提精度；元数据过滤（权限 pre-filter）保安全；引用校验（citation ID ⊆ 检索集合）防假引用；
  • 评估配套：recall@K（检索）与 faithfulness（生成）分开设测——没有评测的 RAG 无法迭代；
  • 进阶路径：查询改写/扩展（MultiQueryRetriever）→ 父子块（ParentDocumentRetriever）→ 图状态机（LangGraph）处理多跳与循环；
  • 流式输出 .stream()、缓存友好布局（system 稳定前缀）是上线标配。

💻 全栈开发专家 ​

RAG 在 LangChain 里的最小完整实现（Python 版，逐环节可运行）：

python
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. 离线索引：加载→切块→向量化→入库
docs = WebBaseLoader("https://docs.example.com/guide").load()
chunks = RecursiveCharacterTextSplitter(
    chunk_size=512, chunk_overlap=64).split_documents(docs)
vs = Chroma.from_documents(
    chunks, OpenAIEmbeddings(),
    persist_directory="./chroma_db")      # 持久化

# 2. 在线链：检索→格式化→生成
retriever = vs.as_retriever(search_kwargs={"k": 4})
prompt = ChatPromptTemplate.from_template(
    "仅根据以下资料回答，标注引用，资料不足则回答不知道：\n"
    "{context}\n\n问题：{question}")
def fmt(ds): return "\n\n".join(d.page_content for d in ds)

rag = ({"context": retriever | fmt, "question": RunnablePassthrough()}
       | prompt | ChatOpenAI(temperature=0) | StrOutputParser())

print(rag.invoke("退货流程是什么"))

生产化要补的四处（demo 到上线的距离）：

  1. 元数据：chunk 带 source/时间/权限字段，检索加 filter（search_kwargs={"filter": {...}}）；
  2. rerank： retriever 包一层 ContextualCompressionRetriever（bge-reranker），top50 精排取 5；
  3. 拒答阈值：检索分数低于阈值直接回「未找到」，防硬答；
  4. 评测：50 条 golden set 跑 recall@5 和 faithfulness，每次调优回归。

Java 提示：Spring AI 里等价实现是 QuestionAnswerAdvisor(vectorStore) + ChatClient，二十行内搞定，思路一一对应。