AI实战系列：企业知识管理混乱？RAG+LangChain+DeepSeek构建会思考的企业知识库

原创于 2025-11-27 10:36:13 发布 · 366 阅读

CC 4.0 BY-SA版权

文章标签：

#人工智能 #langchain #prompt #机器学习 #github #LLM #RAG

“ 企业知识库，建议尽早搭建！不论是否在AI时代，一个企业的核心竞争力就是知识，很多企业没有意识到，散落在各处的产品手册、用户反馈、销售分析报告等等，都是宝贵的知识资产，若把这些整合到企业知识库，是能实实在在提升运营效率，解决知识管理的大难题！每天花5-10分钟，学习一点AI知识，助您厚积薄发！”

在学习本地部署大模型（Large Language Model，简称LLM）以及拥有自有模型后，本文将继续从企业AI落地的角度，介绍如何运用RAG技术搭建企业的知识库，通过代码的方式，全流程解析开发过程与原理，其中会涉及使用的技术框架LangChain、Embedding、向量库、调用本地DeepSeek和企业自有模型等，完成知识库的问答。

01 概念：企业知识库，RAG、微调与蒸馏，LangChain

在实现企业知识库功能前，先简单介绍下知识库以及相关技术。

1、企业知识库

企业知识库是指企业用于集中存储、管理和共享内部知识与信息的数字化平台‌，是企业数字化转型的必备工作。其中包含了企业的组织架构、品牌及产品服务、业务操作流程、客户信息等内容，目的在于提升企业知识利用效率和各部门的协作能力。‌‌

（1）知识库核心功能。一是知识集中化管理‌。整合企业各类信息（如业绩报告、专利技术、客户数据等），按主题分类存储，形成可检索的共享资源。‌‌‌二是支撑高效协作‌。通过数字化平台实现自助查询，减少重复性工作，加速问题的解决。‌‌‌

（2）AI技术赋能，传统的知识库‌是以结构化的数据为主，比较依赖人工维护，基本上就存在档案室了，没有可用的余地。得益于AI的兴起，新型知识库是结合大模型与检索增强生成（RAG）技术，实现动态知识更新、上下文理解及智能问答，能够显著提升知识的利用率。

其中谈到RAG技术，顺便理解下RAG、微调与蒸馏。

2、RAG、微调与蒸馏

‌（1）RAG（Retrieval-Augmented Generation，检索增强生成）。结合检索（Retrieval）和生成（Generation）技术，通过实时从外部知识库检索相关信息，辅助生成更准确的回答。其实可以将知识库理解为“信息外挂”，先到知识库中获取到相关信息，大模型通过分析理解后给出答复，此时信息是比较安全的，因为其完全独立在外。

（2）微调（Fine-tuning）。在预训练大模型或者搭建的自有模型的基础上，用特定领域或任务的数据训练，使其适应特定场景的需求。此方式需要进行数据训练，若使用外部大模型时，自然会存在数据安全风险。

（3）蒸馏（Knowledge Distillation，知识蒸馏）。可以理解为与“微调”类似，只不过使用的数据是经过大模型学习后浓缩而成的数据（知识），类比于将课本知识划了重点，浓缩而成的“考试前的秘籍”，牺牲部分精度换取效率。

3、LangChain

LangChain是一个基于语言模型开发应用程序的框架。一是组件化，组件封装，将功能模块化，便于开发者直接使用。二是链，将结构化的组件组合，可以快速完成特定任务，比如QA问答等，此处不做详细介绍，后续对该框架进行详细分析，目前大致了解即可。

02 全流程实现与解析

1、实现目标

本次实现的目标是：用户检索知识库的知识，并且能看到大模型的思考过程。步骤拆解如下：

（1）文本预处理：数据（pdf、word等文档）加载与清洗。

（2）文本向量化：将数据切片，并使用预训练的词嵌入（Embedding）模型将加载的数据转换为向量。

（3）构建索引：将处理好的向量数据存储到向量检索库（如Chroma、FAISS等），同时构建知识库的向量索引。

（4）提示词prompt模板编写：让大模型按照要求进行问答。

（5）检索查询：实现一个检索函数，传递一个query参数，在索引中找到最相似的文本片段，使用LangChain的RetrievalQA完成大模型、知识向量库的链式调用。

（6）验证效果：使用根据知识的内容，进行检索效果的验证。

2、代码实现与解析

有了上述拆解过程，实现起来就方便很多了。

（1）创建Python项目

打开PyCharm，创建llm-rag-demo项目，创建data、docs目录，用于存放向量库文件以及需要加入企业知识库的文件。如下：

创建ai_rag_ollama.py，正式进行开发。

注意：最好设置独立的环境，避免与其他项目环境冲突。

（2）文档加载、数据切片处理、构建向量索引

# 加载文件目录
file_path = './docs/'
# 文件切割
chunk_size = 1024
chunk_overlap = 256
text_split = CharacterTextSplitter(chunk_size=chunk_size, chunk_overlap=chunk_overlap)
# 向量库
persist_directory = './data/vector_store'
# 使用本地模型，可以在各模型社区下载
embedding_model = HuggingFaceEmbeddings(model_name='./text2vec-base-chinese')
vector_db = Chroma(persist_directory=persist_directory, embedding_function=embedding_model)
# 加载文件，并进行数据切片，添加至向量库
def load_file(file_name):
print('加载文件--：', file_name)
if file_name.lower().endswith('.pdf'):
loader = PyPDFLoader(file_path + file_name)
elif file_name.lower().endswith('.csv'):
loader = CSVLoader(file_path + file_name)
elif file_name.lower().endswith('.docx'):
loader = Docx2txtLoader(file_path + file_name)
else:
raise ValueError('文件类型不支持。目前支持格式：pdf、csv、docx。')
documents = loader.load()
docs = text_split.split_documents(documents)
if docs:
vector_db.add_documents(docs)
# 遍历加载docs目录下的文件
def load_file_and_vec():
if os.path.isdir(file_path):
for root, ds, fs in os.walk(file_path):
for f in fs:
load_file(file_name=f)

（3）提示词prompt模板编写

qa_prompt = PromptTemplate.from_template(
"""
根据给出的上下文信息回答问题，如果从上下文信息中找不到答案诚实的说不知道。
上下文信息：{context}
问题：{question}
""")

提示词根据需求进行调整即可，此处用于演示相对简单。其中参数一个是上下文信息，一个是提问的问题。

（4）提示词prompt模板编写

# 检索
def do_search(msg):
llm = Ollama(model='deepseek-r1:7b')
qa = RetrievalQA.from_chain_type(
llm=llm,
retriever=vector_db.as_retriever(),
verbose=False,
chain_type_kwargs={'prompt': qa_prompt}
)
response = qa({'query': msg})
try:
ans = response['result']
except Exception as err:
print('chat err: {}'.format(err))
ans = '模型查询异常！'
return ans

解析：

使用了Ollama，调用的是本地模型。这个有不理解的，可以看下上一篇文章。另外后续也会介绍如何对接百度千帆、阿里百炼等平台。
使用了RetrievalQA，可以很方便的组合llm、vector_db、提示词，快速实现问答。

（5）main函数

if __name__ == '__main__':
# 到网上找好资料，并放在docs目录下，执行加载
# 首次加载后，后续提问时不需要再执行了
load_file_and_vec()
# 提问
query = '量子计算机的工作原理'
# query = '数电发票是什么？'
ans = do_search(query)
# 输出查询结果
print('大模型理解后回复如下:  {}'.format(ans))

（6）附：代码中的相关引用

import os
from langchain.document_loaders.pdf import PyPDFLoader
from langchain.document_loaders.csv_loader import CSVLoader
from langchain.document_loaders import Docx2txtLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores.chroma import Chroma
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
from langchain.chains.retrieval_qa.base import RetrievalQA
from langchain.prompts.prompt import PromptTemplate
from langchain_community.llms import Ollama