从零搭建私人 RAG 实战：技术文档与业务文档向量化

在第二篇文章中，我们完成了 Node.js、Ollama、nomic-embed-text 和项目依赖的准备。

现在原始文档和运行环境都已经具备，可以开始建立 RAG 的索引链路：

↓ 加载并提取元数据 → LangChain Document 数组
↓ 文本分块 → Document Chunk 数组
↓ Ollama + nomic-embed-text → 文本向量
↓ LanceDB 数据库和数据表

这条链路的目标不是生成自然语言回答。而是先完成一件更基础的事情：

今天聊聊结合 CorpRAG 项目的 src/cli/index-cli.ts 及其依赖，逐步说明：

1. LangChain 在索引链路中负责什么；
2. 如何扫描 BADR、FADR 文档并生成标准 Document；
3. 如何使用 RecursiveCharacterTextSplitter 分割长文档；
4. 如何通过 OllamaEmbeddings 调用本地 Embedding 模型；说起来，
5. 如何使用 LanceDB.fromDocuments 创建向量表；
6. 如何按照程序和决策类型组织多个知识库。

一、LangChain 如何组织 RAG 数据流？不过，

痛点：开发者常因缺乏统一的数据抽象而在每一步手动转换格式。导致代码重复且易错，

LlangChain 不是 Embedding 模型，也不是向量数据库。它更像是一层统一的数据流抽象，把文档、分块器、Embedding 服务和向量数据库连接起来。

Document
↓ splitter.splitDocuments
→ Document
↓ LanceDB.fromDocuments

二、索引程序从哪里启动？其实，

• ⚠️ 错误隔离的关键性：CLI 入口负责启动任务与处理顶层错误；Indexer 负责编排索引步骤；Infrastructure 层负责具体能力实现。这样即使某个程序出现问题，也不会影响整个索引过程。
• ⚠️ 常见坑：忘记清理旧表会导致查询返回旧数据；我建议在每次索引前执行清理脚本。老实说，
  • 🔧 调试技巧：但否实现增量更新或使用更高效的分块策略。
    • 🚀 高可维护性：保持配置集中化。并通过日志明确记录失败原因，可大幅降低运维成本。
      "