温馨提示：结合资源学习效果更加！配套代码路径：src/qa_chain.py、src/retriever.py。详见以下项目文件资源csdn平台地址微信公众号原文链接https://mp.weixin.qq.com/s/jd-A8DHyAdesJnjD-TjThQ

新手可入门，一套可运行、可配置、可二次开发的私有知识库问答系统完整源码 + 教程笔记 + 工具脚本https://download.csdn.net/download/GreenHands495/93326491

资源文件目录展示

项目名称:从零搭建一套完整的 RAG 私有知识库问答系统 ，下面我以此作为示例进行分析学习。

一、为什么用框架

自己拼 OpenAI + FAISS 也能做 RAG，但LangChain / LlamaIndex框架提供了：

• 统一的组件抽象（LLM / Embedding / VectorStore / Retriever / Document）；

• 可替换后端（换模型、换向量库只改配置）；

• 丰富的集成（上百种数据源、模型、存储）。

二、LangChain 核心概念

概念	作用	本项目对应
Document	文本 + 元数据	document_loader.py
TextSplitter	切片	chunker.py
Embeddings	向量化接口	embeddings.py
VectorStore	向量存储检索	vectorstore.py(FAISS)
Retriever	召回接口	retriever.py
PromptTemplate	提示词	qa_chain.py
Runnable(LCEL)	链式编排 prompt | llm	qa_chain.py

最小示例（LCEL 链式）：

三、LlamaIndex 和 LangChain 对比

LlamaIndex 更「RAG 专精」：以 Index 为核心，数据摄入/索引/查询 API 极简， 适合「把一堆文档变成可问答索引」的场景；生态集成不如 LangChain 广。 本项目选 LangChain，是因为需要灵活组合「多路召回 + 重排 + 自定义 Prompt」， LangChain 的组合能力更强，也方便你顺手接入 LlamaIndex 做对比实验。两者可混用：用 LlamaIndex 建索引，把结果转成 LangChain Document 接入本管线。

四、快速上手路线

（简单示例，具体操作步骤以实战，项目文件资源csdn平台地址：

https://download.csdn.net/download/GreenHands495/93326491中的使用说明为准）

1. 装依赖：pip install -r requirements.txt（本地 Embedding/重排见 requirements-extra.txt）。

   

   

   

2. 配密钥：复制 .env.example 为 .env，填入 OPENAI_API_KEY。

3. 放文档：把资料丢进 data/docs/。

   

4. 建索引：python -m src.ingest。

   检查配置，确定AI大模型没有问题，可以用openai或ollama本地部署方式，这里用ollama示例。

   

   因为我这里这里用的是本地大模型，所以用ollama部署了nomic-embed-text和qwen2.5:7b

   python -m src.ingest 的流程：

   解析文档 → 切片 → 调用 Ollama nomic-embed-text 把每个切片变成向量 → 保存索引

   第 3 步向量化需要 Ollama 服务响应，所以必须开着。

   python -m src.query 时也需要：

   用 nomic-embed-text 把你的问题向量化

   用 qwen2.5:7b 根据检索结果生成答案

   

   简单说：Ollama = 你的本地大脑（Embedding + LLM），关掉它等于关掉大脑，项目就跑不动了。

   检查配置没问题之后开始执行python -m src.ingest创建索引

   

   创建完成之后会生成向量数据库

   rag_kb.faiss   向量索引文件（FAISS格式）

   rag_kb.pkl      对应的元数据（切片内容、来源信息）

   

5. 问答：python -m src.query，或 python -m src.web_ui 用界面。

   这里用图形化页面演示，执行python -m src.web_ui命令之后，浏览器进入http://127.0.0.1:7860

提问问题查看系统会检索知识库并返回带来源的答案

与导入的数据来源文件对比，上面截图中提问了“RAG的概念是什么？”的回答是准确的，而提问“LangChain的概念是什么？”的时候，因为知识库示例文档中没有此问题相关的记录所以无法查询到。

至此，本篇已经结束，

最后

RAG 是当前大模型落地最实用的技术之一。与其反复折腾 Prompt，不如让模型"开卷考试"——把参考资料摆在面前，答案自然更准确、更可信。

希望这个项目能成为你 RAG 实战的起点，而不仅仅是终点。