大模型实战；基于 DeepSeek + Chroma + LangChain 开发一个简单 RAG 系统

最新推荐文章于 2025-04-24 16:43:20 发布

程序员一粟

最新推荐文章于 2025-04-24 16:43:20 发布

阅读量800

点赞数 12

文章标签： langchain ide 编辑器机器学习 vscode github ai

本文链接：https://blog.csdn.net/jennycisp/article/details/147431549

版权

创建 Next 项目

首先，使用 npx create-next-app@latest 根据提示完成 Next 项目的创建：

# 创建 Next 项目
npx create-next-app@latest

创建好项目之后，在 src/app 目录下新建 rag 目录，本次 demo 的代码都将放在这里。

知识库构建

接下来，我们将构建知识库，主要目标是将准备好的 pdf 通过向量化存到向量数据库中，以便后续的检索。

由于本次 RAG 系统的开发都要依赖 LangChain 框架，所以我们先在项目中安装 LangChain 框架和核心依赖：

# LangChain 框架和核心依赖
npm install langchain @langchain/core

文档加载

LangChain 的 DocumentLoaders[1] 提供了种类丰富的文档加载器，可加载文件系统的文件也可以加载线上文件，包括 csv、docx、pdf、pptx、html、github、youtube等等。

现在我们使用 PDFLoader[2] 来实现 pdf 的数据加载。

先安装所需的依赖包：

# @langchain/community：包含第三方集成，这些集成实现了 LangChain Core 中定义的基本接口，如：文档加载、文档嵌入、向量数据库等等
# pdf-parse：读取 pdf 文本
npm install @langchain/community pdf-parse

然后添加加载 pdf 的代码：

import { PDFLoader } from '@langchain/community/document_loaders/fs/pdf';

const loader = new PDFLoader('public/example.pdf', { splitPages: false });
const docs = await loader.load();

文档分割

加载完成后，由于加载的文档可能过长，不适合模型的上下文窗口，需要将文档分割成合适的大小。

LangChain 提供了 TextSplitter[3] 组件来实现文档分割：

import { RecursiveCharacterTextSplitter } from 'langchain/text_splitter';

// chunkSize：分割文档的长度
// chunkOverlap：分割文档间的重叠长度
const textSplitter = new RecursiveCharacterTextSplitter({
    chunkSize: 1000,
    chunkOverlap: 200,
});
const texts = await textSplitter.splitDocuments(docs);

文档向量嵌入

接下来我们需要对分割后的文本块进行向量嵌入，然后使用 Chroma 向量数据库存储。

向量模型使用 ollama 安装的 nomic-embed-text 模型，可用 ollama run nomic-embed-text进行下载和运行，完整的代码如下：

import {
Chroma,
ChromaLibArgs,
} from'@langchain/community/vectorstores/chroma';
import { ChatOllama, OllamaEmbeddings } from'@langchain/ollama';
import { EmbeddingsInterface } from'@langchain/core/embeddings';

// 初始化 embeddings 函数
exportfunctioninitOllamaEmbeddings(model = 'nomic-embed-text') {
returnnewOllamaEmbeddings({ model });
}

// 初始化向量数据库
exportfunctioninitChroma(
  embeddings: EmbeddingsInterface = initOllamaEmbeddings(),
  args: ChromaLibArgs = {
    collectionName: 'rag_collection',
    url: 'http://localhost:8000',
  }
) {
returnnewChroma(embeddings, args);
}

// 初始化向量数据库
const chromadb = initChroma();
// 保存文本块
const documents = await chromadb.addDocuments(texts);

到此就构建好了一个简单的知识库。

RAG 系统构建

在创建好知识库之后，接下来就可以开始构建一个基础的 RAG 系统。该系统包括检索器与生成器两部分，具体工作流程如下：对于用户输入的问题，检索器先搜索与该问题相关的文档，接着将检索到的文档与初始问题一起传递给生成器，即大语言模型，最后将模型生成的答案返回给用户。

检索器创建

我们先基于 VectorStoreRetriever 创建检索器，利用向量相似度进行检索。

 // 初始化向量数据库
  const chromadb = initChroma();
  // 创建检索器
  const retriever = chromadb.asRetriever();

生成器创建

接下来我们创建生成器，这里我们使用 Ollama 安装的 deepseek-r1:14b 大模型作为生成器。

import { ChatOllama } from '@langchain/ollama';

export function initOllamaLLM(model = 'deepseek-r1:14b') {
  return new ChatOllama({ model });
}

// 创建生成器（初始化大模型）
const ollamaLLM = initOllamaLLM()

然后再设置提示模版：

  // 设置提示模版
  const prompt = PromptTemplate.fromTemplate(
    '你是负责回答问题的助手。使用以下检索到的上下文片段来回答问题。如果你不知道答案，就说你不知道。\n\n上下文：{context}\n\n问题：{question}\n\n回答：'
  );

RAG 链生成答案

最后我们通过 RAG 链将检索器和生成器整合在一起，这里可以使用 LangChain 表达式语言（LangChain Execution Language，LCEL）来方便快捷地构建一个链，将检索到的文档、构建的输入 Prompt 以及模型的输出组合起来。

  // 使用 LCEL 构建 RAG 链
const ragChain = RunnableSequence.from([
    {
      context: retriever.pipe((docs) => {
        // 文档列表使用 \n\n 拼接为字符串
        return docs.map((doc) => doc.pageContent).join('\n\n');
      }),
      question: newRunnablePassthrough(),
    },
    prompt,
    ollamaLLM,
    newStringOutputParser(),
  ]);

// 使用 RAG 链生成答案
const answer = await ragChain.invoke(question);