第七章：RAG 实战 —— 检索增强生成的完整构建流程

7.1 引言：为什么需要 RAG大语言模型的知识来源于训练数据，存在两个根本性限制：知识截止（训练数据有时间边界）和知识缺失（无法覆盖私有数据、实时信息）。检索增强生成（Retrieval-Augmented Generation, RAG）通过在推理时动态检索外部知识，将其作为上下文注入 LLM，从根本上解决了这两个问题。LangChain 围绕 RAG 构建了完整的组件栈，覆盖从原始数据到最终回答的全链路。本章将从源码层面解析：Document 数据模型：RAG 管道中数据流转的核心载体TextSplitter 体系：递归字符分割、结构感知分割、代码感知分割的实现原理Embeddings 接口：文本向量化的抽象层与工厂模式VectorStore 与 Retriever：存储-检索的双层抽象及其桥接机制RAG Chain 构建：使用 LCEL 组合检索与生成的完整模式优化策略：分块调优、多路检索、查询改写等生产级技巧7.2 Document：RAG 数据流转的核心载体7.2.1 继承体系RA