> ## Documentation Index
> Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt
> Use this file to discover all available pages before exploring further.
# 检索
大型语言模型（LLM）功能强大，但存在两个关键局限：
* **有限上下文**——它们无法一次性处理整个语料库。
* **静态知识**——其训练数据在某个时间点后便固定不变。
检索通过在查询时获取相关外部知识来解决这些问题。这是\*\*检索增强生成（RAG）\*\*的基础：利用特定上下文信息来增强LLM的回答。
## 构建知识库
**知识库**是检索过程中使用的文档或结构化数据存储库。
如果您需要自定义知识库，可以使用LangChain的文档加载器和向量存储从自有数据构建。
如果您已有知识库（例如SQL数据库、CRM或内部文档系统），则**无需**重建。您可以：
* 将其作为**工具**连接到智能体RAG中的智能体。
* 查询它并将检索到的内容作为上下文提供给LLM（[两步RAG](#两步rag)）。
请参阅以下教程构建可搜索的知识库和最小化RAG工作流：
学习如何使用LangChain的文档加载器、嵌入和向量存储从自有数据创建可搜索的知识库。
在本教程中，您将构建一个PDF搜索引擎，实现与查询相关的段落检索。您还将在此引擎上实现最小化RAG工作流，了解如何将外部知识集成到LLM推理中。
### 从检索到RAG
检索使LLM能够在运行时访问相关上下文。但大多数实际应用更进一步：它们**将检索与生成集成**，以产生基于事实、感知上下文的回答。
这是\*\*检索增强生成（RAG）\*\*背后的核心思想。检索管道成为结合搜索与生成的更广泛系统的基础。
### 检索管道
典型的检索工作流如下：
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
flowchart LR
S(["来源
(Google Drive, Slack, Notion等)"]) --> L[文档加载器]
L --> A([文档])
A --> B[分割为块]
B --> C[转换为嵌入]
C --> D[(向量存储)]
Q([用户查询]) --> E[查询嵌入]
E --> D
D --> F[检索器]
F --> G[LLM使用检索信息]
G --> H([回答])
classDef trigger fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:2px,color:#030710
classDef output fill:#EBD0F0,stroke:#885270,stroke-width:2px,color:#441E33
classDef neutral fill:#F2FAFF,stroke:#40668D,stroke-width:2px,color:#2F4B68
class S,Q trigger
class L,B,C,E,F,G process
class D output
class A,H neutral
```
每个组件都是模块化的：您可以更换加载器、分割器、嵌入或向量存储，而无需重写应用逻辑。
### 构建模块
从外部来源（Google Drive、Slack、Notion等）摄取数据，返回标准化的[`Document`](https://reference.langchain.com/javascript/langchain-core/documents/Document)对象。
嵌入模型将文本转换为数字向量，使含义相似的文本在该向量空间中彼此接近。
用于存储和搜索嵌入的专用数据库。
检索器是一个接口，根据非结构化查询返回文档。
## RAG架构
RAG可以通过多种方式实现，具体取决于系统需求。我们在以下章节中概述每种类型。
| 架构 | 描述 | 控制 | 灵活性 | 延迟 | 示例用例 |
| ---------- | ------------------------------ | ----- | ----- | ---- | ------------- |
| **两步RAG** | 检索始终在生成之前发生。简单且可预测 | ✅ 高 | ❌ 低 | ⚡ 快速 | 常见问题解答、文档机器人 |
| **智能体RAG** | 由LLM驱动的智能体在推理过程中决定*何时*以及*如何*检索 | ❌ 低 | ✅ 高 | ⏳ 可变 | 可访问多种工具的研究助手 |
| **混合式** | 结合两种方法的特点，并加入验证步骤 | ⚖️ 中等 | ⚖️ 中等 | ⏳ 可变 | 带有质量验证的领域特定问答 |
**延迟**：在**两步RAG**中，延迟通常更**可预测**，因为LLM调用的最大次数是已知且有上限的。这种可预测性假设LLM推理时间是主要因素。然而，实际延迟也可能受到检索步骤性能的影响——例如API响应时间、网络延迟或数据库查询——这些可能因使用的工具和基础设施而异。
### 两步RAG
在**两步RAG**中，检索步骤始终在生成步骤之前执行。这种架构简单且可预测，适用于许多检索相关文档是生成答案明确前提的应用。
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户问题] --> B["检索相关文档"]
B --> C["生成答案"]
C --> D[将答案返回给用户]
%% 样式
classDef startend fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:1.5px,color:#030710
class A,D startend
class B,C process
```
了解如何构建一个能够基于您的数据回答问题的问答聊天机器人，使用检索增强生成。
本教程介绍两种方法：
* **RAG智能体**，使用灵活工具运行搜索——非常适合通用用途。
* **两步RAG**链，每次查询只需一次LLM调用——对于简单任务快速高效。
### 智能体RAG
**智能体检索增强生成（RAG）**将检索增强生成的优势与基于智能体的推理相结合。智能体（由LLM驱动）不是在回答前检索文档，而是逐步推理，并在交互过程中决定**何时**以及**如何**检索信息。
智能体启用RAG行为所需的唯一条件是能够访问一个或多个可以获取外部知识的**工具**——例如文档加载器、Web API或数据库查询。
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户输入/问题] --> B["智能体（LLM）"]
B --> C{需要外部信息？}
C -- 是 --> D["使用工具搜索"]
D --> H{信息足够回答？}
H -- 否 --> B
H -- 是 --> I[生成最终答案]
C -- 否 --> I
I --> J[返回给用户]
%% 深色模式友好样式
classDef startend fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
classDef decision fill:#FDF3FF,stroke:#7E65AE,stroke-width:2px,color:#504B5F
classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:1.5px,color:#030710
class A,J startend
class B,D,I process
class C,H decision
```
```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { tool, createAgent } from "langchain";
const fetchUrl = tool(
(url: string) => {
return `Fetched content from ${url}`;
},
{ name: "fetch_url", description: "Fetch text content from a URL" }
);
const agent = createAgent({
model: "claude-sonnet-4-0",
tools: [fetchUrl],
systemPrompt,
});
```
此示例实现了一个**智能体RAG系统**，以帮助用户查询LangGraph文档。智能体首先加载[llms.txt](https://llmstxt.org/)，其中列出了可用的文档URL，然后可以根据用户问题动态使用`fetch_documentation`工具来检索和处理相关内容。
```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { tool, createAgent, HumanMessage } from "langchain";
import * as z from "zod";
const ALLOWED_DOMAINS = ["https://langchain-ai.github.io/"];
const LLMS_TXT = "https://langchain-ai.github.io/langgraph/llms.txt";
const fetchDocumentation = tool(
async (input) => { // [!code highlight]
if (!ALLOWED_DOMAINS.some((domain) => input.url.startsWith(domain))) {
return `Error: URL not allowed. Must start with one of: ${ALLOWED_DOMAINS.join(", ")}`;
}
const response = await fetch(input.url);
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`);
}
return response.text();
},
{
name: "fetch_documentation",
description: "Fetch and convert documentation from a URL",
schema: z.object({
url: z.string().describe("The URL of the documentation to fetch"),
}),
}
);
const llmsTxtResponse = await fetch(LLMS_TXT);
const llmsTxtContent = await llmsTxtResponse.text();
const systemPrompt = `
You are an expert TypeScript developer and technical assistant.
Your primary role is to help users with questions about LangGraph and related tools.
Instructions:
1. If a user asks a question you're unsure about—or one that likely involves API usage,
behavior, or configuration—you MUST use the \`fetch_documentation\` tool to consult the relevant docs.
2. When citing documentation, summarize clearly and include relevant context from the content.
3. Do not use any URLs outside of the allowed domain.
4. If a documentation fetch fails, tell the user and proceed with your best expert understanding.
You can access official documentation from the following approved sources:
${llmsTxtContent}
You MUST consult the documentation to get up to date documentation
before answering a user's question about LangGraph.
Your answers should be clear, concise, and technically accurate.
`;
const tools = [fetchDocumentation];
const agent = createAgent({
model: "claude-sonnet-4-0"
tools, // [!code highlight]
systemPrompt, // [!code highlight]
name: "Agentic RAG",
});
const response = await agent.invoke({
messages: [
new HumanMessage(
"Write a short example of a langgraph agent using the " +
"prebuilt create react agent. the agent should be able " +
"to look up stock pricing information."
),
],
});
console.log(response.messages.at(-1)?.content);
```
了解如何构建一个能够基于您的数据回答问题的问答聊天机器人，使用检索增强生成。
本教程介绍两种方法：
* **RAG智能体**，使用灵活工具运行搜索——非常适合通用用途。
* **两步RAG**链，每次查询只需一次LLM调用——对于简单任务快速高效。
### 混合式RAG
混合式RAG结合了两步RAG和智能体RAG的特点。它引入了中间步骤，如查询预处理、检索验证和生成后检查。这些系统比固定管道提供更大的灵活性，同时保持对执行的一定控制。
典型组件包括：
* **查询增强**：修改输入问题以提高检索质量。这可能涉及重写不明确的查询、生成多个变体或使用额外上下文扩展查询。
* **检索验证**：评估检索到的文档是否相关且充分。如果不足，系统可能会优化查询并重新检索。
* **答案验证**：检查生成的答案的准确性、完整性以及与源内容的一致性。如果需要，系统可以重新生成或修改答案。
该架构通常支持这些步骤之间的多次迭代：
```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
A[用户问题] --> B[查询增强]
B --> C[检索文档]
C --> D{信息充分？}
D -- 否 --> E[优化查询]
E --> C
D -- 是 --> F[生成答案]
F --> G{答案质量合格？}
G -- 否 --> H{尝试不同方法？}
H -- 是 --> E
H -- 否 --> I[返回最佳答案]
G -- 是 --> I
I --> J[返回给用户]
classDef startend fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
classDef decision fill:#FDF3FF,stroke:#7E65AE,stroke-width:2px,color:#504B5F
classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:1.5px,color:#030710
class A,J startend
class B,C,E,F,I process
class D,G,H decision
```
此架构适用于：
* 具有模糊或不明确查询的应用
* 需要验证或质量控制步骤的系统
* 涉及多个来源或迭代优化的工作流
一个**混合式RAG**示例，结合了智能体推理、检索和自我纠正。
***
[将这些文档](/use-these-docs)通过MCP连接到Claude、VSCode等，以获取实时答案。
[在GitHub上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/langchain/retrieval.mdx)或[提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。