rag-from-scratch

从零理解 RAG：LangChain 官方教程完全解读

想象一下，你让 AI 助手回答一个关于公司内部规章的问题——它却只能摇头说「我不知道」。这是因为大语言模型（LLM）的知识被固定在训练数据里，无法触及实时更新或私有领域的信息。RAG（检索增强生成，Retrieval Augmented Generation）正是解决这一痛点的核心技术。

langchain-ai/rag-from-scratch 是 LangChain 官方维护的 RAG 入门教程仓库，以 Jupyter Notebook 为载体，配合 YouTube 视频系列，系统性地从最基础的概念讲起，逐步深入到高级用法。整个教程按照主题拆分为 6 个 Notebook，总计覆盖 RAG 的 18 个关键知识点。

图1：RAG 核心流程——检索（Retrieval）与生成（Generation）的协同工作原理

一、为什么 RAG 火了？

传统 LLM 有两大硬伤：

知识陈旧。 GPT-4 等模型的知识截止日期是固定的，新的新闻、产品文档、内部制度等信息模型根本不知道。

幻觉问题。 当被问到不确定的内容时，LLM 倾向于「一本正经地胡说八道」。在需要精确回答的场景（如医疗、法律、金融），这是致命的。

RAG 通过在推理时动态检索外部文档来弥补这两个缺陷。相比微调（Fine-tuning），RAG 成本更低、时效性更强、也更容易解释——你总能找到答案是从哪篇文档里来的。这使得 RAG 成为企业级 AI 应用的主流架构。

二、RAG 从零起步：教程结构拆解

该仓库按照 RAG 学习的自然认知顺序编排，将内容拆分为 6 个 Notebook：

• Part 1-4（基础）：索引（Indexing）→ 检索（Retrieval）→ 生成（Generation）→ 基础 RAG 流水线搭建
• Part 5-9（进阶）：向量检索、混合搜索、重排序（Reranking）、Query 改写、多路召回
• Part 10-11（实战）：PDF 文档处理、长上下文窗口管理
• Part 12-14（高级）：Agent + RAG 协同、工具调用、迭代检索
• Part 15-18（生产）：评估框架、错误分析、监控与优化

LangChain 团队的设计理念是「先理解原理，再掌握工具」。教程从不用 LangChain 的高层 API 入手，而是先演示底层实现（比如直接调用向量数据库 SDK），让读者真正理解每一步在做什么，然后再介绍 LangChain 如何简化这些步骤。这种教学路径在同类教程中相当少见。

三、技术实现：LangChain 生态全景

教程覆盖的技术栈横跨整个 RAG 流水线：

LangChain 在教程中的角色是「教学工具」而非「唯一选项」——同一个功能会同时展示 LangChain 版和原生实现，方便读者对比理解，也为将来替换技术栈预留空间。

四、上手体验

适合人群：

• 有 Python 基础的开发者，想系统学习 RAG 的工作原理
• 已经用过 LangChain 但知其然不知其所以然的工程师
• AI 产品经理，想理解 RAG 的端到端流程

上手门槛： 教程设计为零基础入门级别，但建议具备以下基础：

• 了解什么是向量（点积、余弦相似度）
• 基本的 Python 语法
• 对 LLM 有基本认知

运行方式： 直接在本地 Jupyter Notebook/Lab 中打开对应 .ipynb 文件，依次运行 Cell，修改参数进行实验。也可以上传到 Google Colab 免本地配置。

五、局限与争议

这个教程也有其局限性：

1. 纯教学导向，非生产代码。 教程中的代码为了便于教学做了大量简化，比如直接硬编码 API Key、缺少错误处理、没有考虑并发和缓存。在生产环境中使用这些代码需要大量重构。

2. Notebook 的固有问题。 Jupyter Notebook 适合探索，但不适合版本控制和自动化测试。教程代码没有配套的测试用例，读者只能手动验证结果。

3. 部分示例依赖 LangChain 内部 API。 LangChain 作为一个快速迭代的项目，API 变更频繁。教程中的某些实现可能与最新版 LangChain API 不兼容，需要读者自行适配。

六、行业影响与趋势

langchain-ai/rag-from-scratch 是 GitHub 上最受欢迎的 RAG 入门资源之一（⭐8,375），与其配套的 YouTube 视频播放列表也拥有数万播放量。这个项目的意义不仅在于传授知识，更在于推动了 RAG 民主化——让更多没有 AI 研究背景的开发者能够进入这个领域。

从行业趋势看，RAG 的发展方向正在从「简单检索 + 生成」向更复杂的多跳推理（Multi-hop Reasoning）、Agent 自主决策、以及结合知识图谱的结构化知识检索演进。LangChain 也在从单纯的编排框架向 RAG 应用开发平台转型，这个教程体系也在持续更新以反映这些变化。