LangChain 的 RAG（检索增强生成）能力是如何实现的？

1. RAG 的基本原理

RAG（Retrieval-Augmented Generation）是一种让大语言模型不局限于训练知识的架构——通过从外部知识库检索相关信息，将其作为上下文注入提示词，再让模型基于这些信息生成回答。这有效解决了模型知识过时、幻觉问题和无法访问私有数据等局限。

2. LangChain 的 RAG 完整流水线

LangChain 提供了一套完整的 RAG 实现链路，涵盖五个核心步骤：

• 文档加载（Load）：通过 DocumentLoader 从 PDF、网页、目录等多种来源加载文档，支持 PyPDFLoader、WebBaseLoader、DirectoryLoader 等数十种加载器
• 文档切分（Split）：使用 TextSplitter（推荐 RecursiveCharacterTextSplitter）将大文档递归切分为合适大小的 chunk，控制 chunk_size 和 chunk_overlap 以平衡搜索精度和上下文完整性
• 嵌入向量化（Embed）：通过 Embedding 模型将每个文本 chunk 转换为数值向量，使语义相似的内容在向量空间中距离更近。支持的 Embedding 提供商包括 OpenAI、Azure、Google Gemini、Cohere、Voyage AI 等
• 向量存储（Store）：使用 VectorStore 索引 chunk 及其嵌入向量以便高效检索。支持的向量数据库包括 Chroma、Pinecone、FAISS、Milvus、Qdrant、Weaviate 等，腾讯云也提供了向量数据库（Tencent Cloud Vector Database）作为云原生选项
• 检索与生成（Retrieve + Generate）：将用户查询转为向量，在 VectorStore 中进行相似度搜索获取相关 chunk，注入提示词后由 LLM 生成答案

3. 高级 RAG 技术

LangChain 还支持多种进阶 RAG 技术以提升回答质量：

• Multi-Query Retrieval：用 LLM 生成多个变体查询，提高召回覆盖率
• Ensemble Retriever：结合 BM25 关键词检索和向量语义检索的混合搜索策略
• Contextual Compression：检索后通过 LLM 压缩和提取最相关的信息片段
• Conversational RAG：在多轮对话中维护上下文，支持基于历史对话的追问

4. Deep Agents 中的 RAG 模式

在 Deep Agents 中，RAG 支持多种编排模式：

• Skills-guided retrieval：Agent 加载相关 skill 指导如何搜索 corpus
• Rubric-checked grounding：审核子 Agent 评估回答是否基于检索到的材料
• Todo-driven investigation：Agent 创建待办清单逐项调查文档
• Retrieve, offload, and delegate：检索 chunk 写入文件系统，子 Agent 并行读取和分析