前言

如果你正在准备 AI 应用开发方向的面试，RAG这个词你一定绕不开。但市面上的教程要么堆概念不讲代码，要么直接丢一坨复杂项目让人无从下手。

常见痛点：缺少完整可运行的代码、概念与实现脱节、调试过程找不到明确的错误定位。这里通过一个完整的故事作为知识库，带你从 0 到 1 把 RAG 跑起来让你在面试和实际项目中都能胸有成竹。

• 、为什么要用它
• LangChain 的主要组件怎么用
• 三个容易搞混的关键区别
• 完整的 RAG 代码，可直接跑

一、什么是 RAG？ 用大白话讲清楚

先看 LLM 的致命弱点

你有没有遇到过这种情况：问 ChatGPT “昨天的 NBA 比赛谁赢了”，它告诉你“ xxx 年”。或者让它根据公司内部文档写文案，它却一本正经地胡说八道。

LLM 的两大短板：

RAG 怎么解决？不过，

RAG 的思路非常朴素——让 LLM 在回答之前先翻资料：

没有 RAG： 使用者提问 → LLM 凭记忆回答
有了 RAG： 使用者提问 → 先去知识库翻资料 → 把翻到的内容 + 问题一起给 LLM → 靠谱回答

三个字母拆开记：

一张图理解 RAG 全流程

┌──────────────────────────────────────────────────────────┐
│ 摄入阶段 │
│ 📄 文档 → ✂️ 切分 → 🧮 向量化 → 📦 存入向量库 │
├──────────────────────────────────────────────────────────┤
│ 查询阶段 │
│ ❓ 问题 → 🧮 向量化 → 🔍 相似度搜索 → 📋 相关文档 │
├──────────────────────────────────────────────────────────┤
│ 生成阶段 │
│ 📋 相关文档 + ❓ 问题 → 📝 Prompt模板 → 🤖 LLM 回答 │
└──────────────────────────────────────────────────────────┘

二、RAG 和 LangChain 的关系

一句话区分