收藏！小白也能学会的大模型RAG业务知识库系统搭建（附代码库）

本文详细介绍了如何搭建一个基于LangChain的RAG系统用于处理企业内部文档问答。文章重点讲解了系统架构设计包括问题改写、混合召回Dense Retrieval BM25 Cross-Encoder reranking、严格回答与结构化输出、缓存优化以及RAGAS评估方法。同时作者分享了实际开发中踩过的坑及解决方案并强调了检索前改写、混合召回、精排、评估和观测对于提升RAG系统稳定性的重要性。代码库已开源适合想要学习大模型应用的开发者参考。1、系统架构先看整体架构图这个架构里最核心的设计点是把“检索前问题改写”和“最终回答”拆成两个阶段把“召回”和“精排”拆开把“在线问答”和“离线评估”拆开这样好处是每一层都能单独调优而不是把问题全甩给 LLM。2、为什么要先改写问题再检索很多 RAG 教程的第一版都忽略了一个现实问题用户的第二句、第三句往往不是完整问题。比如Q1: 退款金额高于 200 元怎么办 Q2: 那它需要谁二次确认第二句里的“它”对人是清楚的但对向量检索并不友好。所以我在检索前专门加了一步“问题改写”把追问补全成独立 Query。关键代码在 app/rag_chain.pystandalone_question self._rewrite_question(llm, chat_history, question) source_documents self.vector_index.search( session_idsession.session_id, querystandalone_question, top_kself.settings.top_k, )这一步不是为了让回答更好看而是为了让“查资料”这一步查得更准。3、为什么我最后做成了混合召回一开始如果只用向量召回系统在“语义相近”的问题上表现不错但只要问题里出现专有名词金额阈值规则号明确关键词效果就不稳定了。比如“退款金额高于 200 元”这种问题BM25 的关键词特征其实很强。所以我后来把召回层改成了两路Dense Retrieval处理语义近似BM25 Retrieval处理关键词和精确条件关键代码在 app/vector_store.pydense_results self._dense_search(session_id, query, candidate_k) keyword_results self._keyword_search(session_id, query, candidate_k) merged_results self._merge_results(dense_results, keyword_results, candidate_k) return self._rerank_results(query, merged_results, top_k)这一步非常值因为业务文档问答往往既需要语义理解也需要精确匹配。4、为什么还要再加 Cross-Encoder reranking混合召回之后我发现候选片段“能召回”不代表“顺序就对”。尤其在这些场景里候选 Top-K 往往会混进一些看起来相关、但其实不是答案核心证据的段落同主题但不同角色权限同样提到退款但处理条件不同同一个文档里相邻段落都含关键词所以我又在召回之后加了一层 Cross-Encoder rerankingreturn self.reranker.rerank(query, candidates, top_k)它和普通 embedding 检索最大的区别是embedding 是“各自编码后再比较”cross-encoder 是“把 query 和 chunk 一起送进模型直接判断相关性”它更贵但更准所以特别适合放在第二阶段精排。5、严格回答和结构化输出业务问答系统最怕的不是“答不上来”而是“答错了还很自信”。所以 Prompt 我做了两个硬约束必须严格基于上下文回答不知道就明确说“我不知道”同时我没有让模型自由输出而是用了 Pydantic 结构化输出class StructuredAnswer(BaseModel): answer: str grounded: bool citations: List[Citation] Field(default_factorylist)这有两个好处前端展示稳定不用猜模型输出格式引用关系可以被程序校验减少“胡乱引用”6、缓存优化我为什么接了 InMemoryCache在调 Prompt、反复跑相同问题、反复回归 Benchmark 的时候最浪费时间的其实是重复调用模型。所以我加了一层 LangChain InMemoryCachefrom langchain_core.caches import InMemoryCache from langchain_core.globals import set_llm_cache set_llm_cache(InMemoryCache())不过这里有一个非常容易误解的点InMemoryCache 不是 embedding-based 的 semantic cache它是“完全相同 Prompt 命中”的 LLM Cache。我后来又加了一层简单观测记录 hits / misses / writes / entries方便直接在 Web 页面上看缓存状态。7、RAGAS 评估怎么接RAG 只靠肉眼看几轮问答基本是调不稳的。所以我最后给项目加了一组内置 Benchmark用 RAGAS 跑这 5 个指标faithfulnessanswer_relevancycontext_recallcontext_precisionanswer_correctness核心思路是先准备一组带参考答案的业务问题用当前 RAG 系统实际跑出答案和检索上下文再把 question / answer / contexts / ground_truth 喂给 RAGAS关键代码在 app/evaluation.pyresult evaluate( Dataset.from_list(dataset_rows), metrics[ faithfulness, answer_relevancy, context_recall, context_precision, answer_correctness, ], llmLangchainLLMWrapper(self.rag_service._build_llm()), embeddingsLangchainEmbeddingsWrapper(EmbeddingAdapter(self.embedding_service)), raise_exceptionsFalse, )页面里我把 RAGAS 总分和逐题分数都展示了出来这样一调参数马上就能看是“召回退化了”还是“生成跑偏了”。8、我踩过的几个坑坑 1RAGAS 装上了但 Python 3.8 导入直接炸我一开始装的是 ragas 0.2.x结果虽然能安装成功但导入时直接 SyntaxError。原因不是代码写错而是新版本内部用了 3.9 的语法而我的本地环境还是 Python 3.8。解决方式不硬升整个项目 Python 版本把 ragas 锁到 0.1.21在 README 里明确写出版本原因这比“为了一个评估库把整套环境推倒重来”稳得多。坑 2把 InMemoryCache 当成语义缓存很多人一看到“cache”就会默认以为是“相似问题也能命中”。其实 LangChain 的 InMemoryCache 不是这个意思它只缓存完全相同的请求。解决方式代码里照需求接入 InMemoryCache页面和 README 里明确写“这是精确命中缓存不是 semantic embedding cache”技术上正确比营销式命名更重要。坑 3评估时污染了聊天历史如果直接拿当前会话去跑 BenchmarkConversationBufferMemory 会越来越脏后面的评估样本会受到前面问题影响。解决方式评估时复用当前 session 的文档但为每个测试问题创建隔离的 memory这样评估仍然用的是同一套知识库和检索配置但不会互相串台。坑 4只做 Dense Retrieval金额阈值类问题经常漂在业务规则文档里“高于 200 元”“连续三次失败”“24 小时内”这类信息非常重要。只做语义检索往往会把主题相关但条件不完全匹配的片段排到前面。解决方式加 BM25 做关键词召回再加 Cross-Encoder 做精排这是我这套系统里提升最明显的一次改造。9、如果让我再做一次我会优先继续补什么如果你已经把第一版 RAG 跑通了我建议优先补下面三项混合召回RerankingBenchmark 回归评估因为真正让 RAG 变“工程化”的不是多写几个 Prompt而是能不能稳定命中对的证据能不能持续评估而不是凭感觉调参10、最后这套项目我已经把 Web 界面、缓存观测、RAGAS Benchmark、引用溯源都接起来了。如果你也在做中文业务知识库 RAG我的建议是不要把问题都归结为“模型不够强”很多时候真正缺的是检索前改写混合召回精排评估观测把这几层补齐RAG 的稳定性会比单纯换模型明显得多。代码库见 Githubhttps://github.com/wilsonIs/langchain-business-rag如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】