目錄

一、前言

二、Langchain4j RAG介紹

2.1 什么是LangChain4j

2.2 LangChain4j RAG技術介紹

2.2.1 RAG技術原理

2.2.2 LangChain4j中的RAG實現

2.2.3 LangChain4j RAG技術優勢

2.2.4 LangChain4j RAG技術應用場景

三、LangChain4j RAG 技術深度使用

3.1 文檔加載與解析過程

3.2 文檔加載器介紹

3.2.1 加載文檔案例

3.3 文檔解析器介紹

3.3.1 文檔解析器案例

3.4 文檔分割介紹

3.4.1 常用的文檔分割器

3.4.2 向量轉換與向量存儲

3.4.3 案例操作代碼

3.4.4 自定義文檔分割

3.5 向量模型與向量存儲

3.5.1 前置準備

3.5.2 文本向量化演示

3.6 基于Redis實現向量數據的存儲與檢索

3.6.1 搭建Redis向量數據庫

3.6.2 添加依賴

3.6.3 添加配置文件

3.6.4 添加自定義EmbeddingStore

3.6.5 改造Assistant

3.6.6 增加測試接口

四、寫在文末

---

一、前言

LangChain 是一個強大的框架，旨在簡化構建基于大型語言模型（LLMs）的應用程序的過程。在 LangChain 中，RAG（Retrieval-Augmented Generation）技術是一種結合檢索增強生成的方法，它通過將外部數據檢索技術與生成式人工智能相結合，來提高生成文本的準確性和相關性。

盡管AI大模型在自然語言處理任務中表現出色，但仍然存在一些局限性。而RAG - 檢索增強生成技術，則很好的彌補了這些不足。舉例來說，如果企業或個人都希望擁有一款屬于自己的AI助手，能夠幫自己隨時解決一些特定場景或特定領域的問題，很明顯，這些領域的知識和內容都不是互聯網上面可以搜到的。

在這種場景下，AI大模型中RAG技術就派上用場了，簡單來說，它就是一款可以問你量身打造的大模型知識庫，當你需要某個知識的時候為你提供更貼合實際業務場景的回答。本篇將深入探討Langchain4j 中的RAG技術。