LangChain与Embeddings技术：构建高效RAG系统的核心组件

原创

于 2025-06-23 16:14:24 发布 · 716 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#langchain

LangChain简介

LangChain作为当前最热门的开源RAG（Retrieval-Augmented Generation，检索增强生成）框架，正在重塑我们处理非结构化数据的方式。在RAG框架中，检索环节至关重要，而Embeddings技术则是实现高效检索的核心组件之一。

RAG框架的工作流程通常包括：

文本预处理与分块
通过Embedding模型转换为向量表示
存储到向量数据库
查询时进行相似性检索
将检索结果输入生成模型

LangChain的独特价值在于它提供了标准化的接口，使开发者能够灵活组合不同的嵌入模型、向量数据库和LLM，构建端到端的智能应用。

Embeddings技术概述

Embedding技术通过将离散的符号（如单词、句子）映射到连续的向量空间，使计算机能够理解和处理语义信息。这种表示方法具有几个关键优势：

语义保留：语义相似的项在向量空间中距离相近
维度压缩：将高维稀疏表示转换为低维稠密向量
跨模态能力：同一空间可嵌入文本、图像、音频等多种数据类型

现代Embedding模型通常基于深度神经网络，特别是Transformer架构，能够捕捉复杂的上下文关系。

主流Embedding模型比较

模型名称	发布时间	核心特点	典型应用场景
Word2Vec	2013	基于浅层神经网络，CBOW/Skip-Gram架构	词语相似度计算，简单语义分析
GloVe	2014	基于全局词共现统计，结合矩阵分解	需要全局语义信息的任务
FastText	2016	引入子词(subword)概念，处理未登录词	多语言应用，拼写错误容忍
BERT	2018	双向Transformer，上下文相关表示	需要深层语义理解的任务
Sentence-BERT	2019	针对句子级语义优化的BERT变体	语义检索，文本匹配

主流Embedding模型比较图

LangChain中的Embedding集成

LangChain提供了统一的Embedding接口，支持多种后端实现：

from langchain_community.embeddings import (
    HuggingFaceEmbeddings,
    OpenAIEmbeddings,
    CohereEmbeddings
)

# HuggingFace嵌入
hf_embeddings = HuggingFaceEmbeddings(
    model_name="sentence-transformers/all-MiniLM-L6-v2",
    model_kwargs={
   'device': 'cpu'},
    encode_kwargs={
   'normalize_embeddings': False}
)

# OpenAI嵌入
openai_embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")

# Cohere嵌入
cohere_embeddings = CohereEmbeddings(model="embed-english-v2.0")

系统架构示意图
关键配置参数：

model_name：指定预训练模型
model_kwargs：模型推理参数（如设备选择）
encode_kwargs：编码过程参数（如归一化）

实践案例：构建本地知识问答系统

系统架构

数据层：本地文本文件存储知识库
嵌入层：Sentence-Transformers处理文本
存储层：Chroma向量数据库
应用层：LangChain编排处理流程


# -*- coding: utf-8 -*-
"""
LangChain RAG完整实现
基于本地文档构建问答系统
使用sentence-transformers/all-MiniLM-L6-v2嵌入模型
Chroma向量数据库存储
"""

import os
from dotenv import load_dotenv
from typing import List, Dict, Any

# 加载环境变量
load_dotenv()

# 设置国内镜像源（加速下载）
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

# 1. 导入所需库
from langchain_core.prompts import ChatPromptTemplate
from langchain_core