零基础搞定RAG应用：用LangChain搭建会“读文档”的AI客服！
你是不是也想过，能不能让AI直接读取你公司的最新文档、网页文章，甚至PDF资料，然后精准地回答用户问题？不再依赖模型的老知识，也不用费劲微调？——这就是RAG（检索增强生成）技术的魅力！【AI大模型教程】
今天我就带大家一步步实现一个真正的RAG应用：从网页抓内容、处理文本、构建检索链，到最终实现基于真实文档的智能问答。不用怕复杂，我们会用LangChain这个超好用的工具，像搭积木一样把功能堆起来！
一、从哪里读文档？网页、PDF、Word都没问题！
我们首先要解决一个问题：怎么把不同格式的文档“喂”给AI？ LangChain提供了将近207种文档加载器，几乎覆盖所有常见格式。
比如：
- 网页内容用
WebBaseLoader - PDF文件用
PyPDFLoader - Word文档用
Docx2txtLoader
✅ 你完全不用担心格式问题！
以网页为例，假设我们想读取新华网一篇关于“AI与人才需求”的文章，可以这样写：
from langchain.document_loaders import WebBaseLoader
url = "https://example.com/ai-news" # 替换成实际网址
loader = WebBaseLoader(url)
documents = loader.load()
就这么简单，documents 里就是网页的文本内容啦！
二、只要文字，不要图片广告！用BeautifulSoup精准提取
网页上常有图片、广告、视频等干扰内容，我们怎么精准提取正文？ 这时候可以配合 BeautifulSoup 这个库（注意安装：pip install beautifulsoup4），通过指定HTML标签提取内容。
例如，如果你发现正文都在 <div class="main-content"> 里，就可以这样设置：
loader = WebBaseLoader(
web_paths=(url),
bs_kwargs={"parse_only": {"class_": "main-content"}}
)
这样就只会抓取指定区域内的文本，其他内容自动忽略！
loader = WebBaseLoader(
web_paths=[url],
bs_kwargs=dict(
parse_only = bs4.SoupStarainer(class_=("main-content"))
)
)
三、文档太长怎么办？切块处理是关键！
直接扔一整篇文章给AI效果很差——容易丢失细节、处理速度慢。 所以一定要做 Text Chunking（文本分块）！
LangChain提供了多种分块工具，最常用的是 RecursiveCharacterTextSplitter。它支持设置：
chunk_size：每块大小（按字符数）chunk_overlap：块与块之间的重叠字符数（防止语义被切断）
from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=100
)
chunks = splitter.split_documents(documents)
重叠部分很重要！比如“猎聘大数据研究院”如果被切成“猎聘”和“大数据研究院”，意思就残破了。重叠100字符能很大程度上避免这个问题。
四、把文本变成向量：AI才能看懂和检索
文字切块后，要转换成数值向量才能被AI处理。 这里我们用OpenAI的Embedding模型（或者其他开源模型也行），配合向量数据库（比如Chroma、FAISS）。
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(chunks, embeddings)
retriever = vectorstore.as_retriever()
现在我们就有了一个 检索器（retriever），它可以根据用户问题快速找到最相关的文本块！
五、组装整个流程：提示词 + 检索 + 生成答案
最精彩的环节来了——把检索器和大模型组装成一条链！ 我们要做到：用户提问 → 检索相关文档 → 生成答案。
首先，设计一个提示词模板，告诉AI怎么利用检索到的内容：
from langchain.prompts import ChatPromptTemplate
template = """
你是一个专业的问答助手，请根据以下上下文回答问题：
{context}
问题：{input}
"""
prompt = ChatPromptTemplate.from_template(template)
然后，把检索器、提示词、模型组装成链：
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-3.5-turbo")
document_chain = create_stuff_documents_chain(model, prompt)
rag_chain = create_retrieval_chain(retriever, document_chain)
大功告成！现在我们可以提问了：
response = rag_chain.invoke({"input": "张成刚是谁？"})
print(response["answer"])
六、效果验证：真的能基于文档回答！
我们测试两个问题：
- ❓“张成刚是谁？” ✅ AI正确回答：“首都经贸大学副教授”（完全来自网页内容）
- ❓“报道中还提到了哪些人？” ✅ AI列出：“刘征、周元（老万马有才创始总经理）”
完全基于文档，没有胡说八道！这就是RAG的价值——让AI答有所据，绝不信口开河。
七、总结：RAG是企业知识管理的利器
通过这个例子，你已经掌握了用LangChain搭建RAG应用的核心流程：
- 加载文档：Web/PDF/Word都能吃进去
- 精准提取：用BeautifulSoup剔除噪音
- 智能分块：设置重叠防止语义断裂
- 向量检索：把文本变成可检索的向量
- 组装成链：提示词 + 检索 + 生成答案
未来你可以：
- 接入企业内部的PDF、Word、Notion文档
- 尝试不同的分块策略和向量数据库
- 加入对话历史，做成多轮问答客服
RAG让我们不再依赖模型的老知识，也不用费劲做微调。直接让AI“阅读”你的最新资料，实时回答问题——这才是真正的智能助手！
✨动手试试吧！ 完整代码已涵盖在上面，你只需要准备一个OpenAI API Key和一篇想处理的文档，就能搭建属于自己的文档问答系统啦~
