实现 RAG 技术的常用工具（面试 / 毕设通用・精简版）

RAG 整体分为文档解析、文本分块、向量嵌入、向量存储、检索优化、大模型生成、前端展示七大环节，每个环节都有成熟、适合大学生落地的免费工具，以下是面试高频、项目常用的工具：1. 整体开发框架（核心）LangChain：最主流 RAG 开发框架，快速搭建完整检索、问答链路，生态最全，适配所有向量库和大模型，是本科项目、求职面试首选。LlamaIndex：主打文档索引，数据处理能力更强，适合快速搭建轻量化 RAG Demo。2. 文档解析工具PyPDF、Pdfplumber：轻量易用，适配普通 PDF 文档文本提取，零配置、无门槛。python-docx：专门解析 Word 文档、笔记、实验报告。MinerU：高精度解析带公式、表格、排版复杂的教材、论文，大幅提升项目质感。3. 文本分块工具RecursiveCharacterTextSplitter：LangChain 自带，支持重叠分块，适配绝大多数文本场景，稳定通用。SemanticTextSplitter：语义分块，按语义边界切割内容，避免知识点断裂，属于 RAG 优化亮点。4. Embedding 向量模型国内在线模型：DeepSeek、智谱、百度 Embedding，中文适配度高、免费额度充足、无需翻墙。本地开源模型：bge-small-zh、text2vec，可离线部署，实现私有化向量转换。5. 向量数据库FAISS