文档（PDF / Markdown / 网页 / 数据库）
        ↓  加载
   Document 对象
        ↓  切分
   文本块（chunk）
        ↓  Embedding
   向量（vector）
        ↓  写入
   向量数据库

用户问题
   ↓  Embedding
查询向量
   ↓  相似度检索 Top-K
相关文本块
   ↓  拼进提示词
增强后的 Prompt
   ↓  调用模型
基于资料生成的答案

离线：文档 -> 切分 -> Embedding -> 向量库
                                      ↑
在线：问题 -> Embedding -> 检索 Top-K ─┘
                              ↓
                    资料 + 问题 -> Prompt -> LLM -> 答案

npm install langchain @langchain/deepseek @langchain/openai \
            @langchain/classic @langchain/textsplitters zod

import { readFile } from "node:fs/promises";
import { join } from "node:path";

const rawText = await readFile(
  join(import.meta.dirname, "knowledge.md"),
  "utf8"
);

import { TextLoader } from "@langchain/classic/document_loaders/fs/text";
// 或 PDFLoader、CSVLoader、WebBaseLoader 等

{
  pageContent: "文档内容……",
  metadata: { source: "knowledge.md" }
}

import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";

const splitter = new RecursiveCharacterTextSplitter({
  chunkSize: 240,
  chunkOverlap: 40,
  separators: ["\n## ", "\n\n", "\n", "。", "！", "？", " ", ""],
});

const documents = await splitter.createDocuments(
  [rawText],
  [{ source: "knowledge.md" }]
);

import { OpenAIEmbeddings } from "@langchain/openai";
import { Embeddings } from "@langchain/core/embeddings";

const embeddings = process.env.OPENAI_API_KEY
  ? new OpenAIEmbeddings({ modelName: "text-embedding-3-small" })
  : new KeywordEmbeddings(256);

import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";

const vectorStore = await MemoryVectorStore.fromDocuments(
  documents,
  embeddings
);

const results = await vectorStore.similaritySearchWithScore(
  "RAG 的工作流程是什么？",
  4
);

for (const [doc, score] of results) {
  console.log(score, doc.pageContent);
}

问题：RAG 的工作流程是什么？

[1] score=0.397
    ## RAG 的工作流程 RAG 是检索增强生成（Retrieval-Augmented Generation）的缩写……
[2] score=0.339
    # LangChain 知识库 ## LangChain 是什么 LangChain 是一个用于构建大模型应用的开源框架……
[3] score=0.267
    ## LangGraph 与 Agent LangGraph 是 LangChain 生态中用于构建有状态、多步骤 Agent 的底层框架……
[4] score=0.205
    ## RAG 的生产实践 生产级 RAG 通常不只做一次向量检索……

const formatContext = (results) =>
  results
    .map(
      ([doc, score], i) =>
        `[资料 ${i + 1}]（来源：${doc.metadata.source}，相似度：${score.toFixed(3)}）\n${doc.pageContent}`
    )
    .join("\n\n");

const buildPrompt = (question, results) => `你是一个严谨的中文知识库助手。
请只根据下面提供的资料回答问题，不要编造资料中没有的内容。
如果资料不足以回答，请直接说「根据现有资料无法确定」。
回答时用 [资料 N] 标注依据。

${formatContext(results)}

问题：${question}`;

你是一个严谨的中文知识库助手。
请只根据下面提供的资料回答问题……

[资料 1]（来源：knowledge.md，相似度：0.397）
## RAG 的工作流程
RAG 是检索增强生成（Retrieval-Augmented Generation）的缩写……

[资料 2]（来源：knowledge.md，相似度：0.339）
# LangChain 知识库
……

问题：RAG 的工作流程是什么？

import { initChatModel } from "langchain";

const model = await initChatModel("deepseek:deepseek-chat", {
  apiKey: process.env.DEEPSEEK_API_KEY,
  temperature: 0,
});

const response = await model.invoke(prompt);
console.log(response.content);

RAG（检索增强生成）的工作流程分为两个阶段 [资料 1]：

- 离线阶段：加载文档、切分文本、把每个文本块转成向量、写入向量数据库 [资料 1]。
- 在线阶段：把用户问题转成向量、检索最相关的若干个文本块、把检索结果拼进提示词、
  再调用大模型生成答案 [资料 1]。

RAG 的价值是让模型基于外部知识回答，降低幻觉，并且知识可以随时更新而不用重新训练模型 [资料 1]。

问题：LangChain 的创始人最喜欢什么颜色？
回答：根据现有资料无法确定。资料中没有提到 LangChain 创始人的任何信息，
      更没有关于其个人喜好的内容。

import { createAgent, tool } from "langchain";
import { z } from "zod";

const searchKnowledge = tool(
  async ({ query }) => {
    const results = await vectorStore.similaritySearchWithScore(query, 4);
    return results
      .map(
        ([doc, score], i) =>
          `[资料 ${i + 1}]（相似度 ${score.toFixed(3)}）\n${doc.pageContent}`
      )
      .join("\n\n");
  },
  {
    name: "search_knowledge",
    description: "从知识库检索相关片段。回答知识库问题前必须先调用它。",
    schema: z.object({
      query: z.string().describe("要检索的自然语言问题"),
    }),
  }
);

const agent = createAgent({
  model,
  tools: [searchKnowledge],
  systemPrompt:
    "你是严谨的中文知识库助手。回答知识库问题前必须先调用 search_knowledge；只根据工具返回的资料回答，资料不足就明确说不知道。",
});

问题：RAG 在生产环境通常有哪些优化手段？
工具调用次数：1
回答：根据知识库资料，RAG 在生产环境的优化手段主要有……

pip install langchain langchain-deepseek langchain-openai \
            langchain-text-splitters

from langchain_core.vectorstores import InMemoryVectorStore
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings

with open("knowledge.md", encoding="utf-8") as f:
    text = f.read()

splitter = RecursiveCharacterTextSplitter(
    chunk_size=240,
    chunk_overlap=40,
    separators=["\n## ", "\n\n", "\n", "。", "！", "？", " ", ""],
)
docs = splitter.create_documents(
    [text],
    metadatas=[{"source": "knowledge.md"}],
)

vector_store = InMemoryVectorStore.from_documents(
    docs,
    OpenAIEmbeddings(model="text-embedding-3-small"),
)

results = vector_store.similarity_search_with_score(
    "RAG 的工作流程是什么？",
    k=4,
)
for doc, score in results:
    print(score, doc.page_content[:80])

from langchain_core.tools import tool
from langchain.agents import create_agent

@tool
def search_knowledge(query: str) -> str:
    """从知识库检索相关片段。"""
    docs = vector_store.similarity_search(query, k=4)
    return "\n\n".join(doc.page_content for doc in docs)

agent = create_agent(
    model="deepseek:deepseek-chat",
    tools=[search_knowledge],
)