本文整理了 LangChain RAG 知识库(中高级) 相关的 20 道重点面试题,内容涵盖 RAG 核心流程、文档加载与解析、Document 数据结构、文本分块、Embedding 向量化、VectorStore 向量存储、Weaviate 集成、Retriever 检索机制、ParentDocumentRetriever 父子文档检索、Metadata Filtering 元数据过滤、Hybrid Search 混合检索以及 Rerank 重排序等核心知识点。
每道题都结合实际 AI 应用开发场景,补充了核心原理、实现思路和必要的 Python 代码示例,帮助开发者深入理解 RAG 知识库的构建过程与检索优化机制,掌握从文档解析、向量存储到精准检索的完整技术链路。
本文适合 AI 应用开发人员学习与复习,建议结合 LangChain、Weaviate 等技术进行实践,加深对 RAG 核心原理的理解,提升项目实战能力与面试应对能力。
文章目录
-
- 一、**LangChain 如何实现 RAG?**
- 二、**LangChain 的文档加载器有哪些?**
- 三、**什么是 Document?**
- 四、**Document 中的 page_content 和 metadata 分别是什么?**
- 五、**什么是 TextSplitter?**
- 六、**RecursiveCharacterTextSplitter 的分块原理是什么?**
- 七、**如何实现 PDF、Word、Excel 文档解析?**
- 八、**什么是 Embeddings?**
- 九、**LangChain 如何调用 Embedding 模型?**
- 十、**什么是 VectorStore?**
- 十一、**LangChain 支持哪些向量数据库?**
- 十二、**如何使用 Weaviate 实现向量存储?**
- 十三、**什么是 Retriever?**
- 十四、**Retriever 和 VectorStore 有什么区别?**
- 十五、**什么是 VectorStoreRetriever?**
- 十六、**什么是 ParentDocumentRetriever?**
- 十七、**ParentDocumentRetriever 的工作流程是什么?**
- 十八、**如何实现 Metadata Filtering?**
- 十九、**如何实现 Hybrid Search?**
- 二十、**如何实现 Rerank 重排序?**
一、LangChain 如何实现 RAG?
RAG(Retrieval-Augmented Generation,检索增强生成)是一种将外部知识检索与大语言模型生成结合起来的技术。
它的核心思想是:先从知识库中检索与用户问题相关的文档,再将检索结果作为上下文交给大语言模型生成答案。
使用 LangChain 实现 RAG,主要分为两个阶段:
第一阶段:知识库构建
- 使用 Document Loader 加载文档。
- 使用 TextSplitter 对文档进行分块。
- 使用 Embeddings 将文本转换为向量。
- 将向量和文档存储到 VectorStore。
第二阶段:检索与生成
- 接收用户问题。
- 将问题转换为向量。
- 从向量数据库检索相关文档。
- 将检索结果和用户问题组合成 Prompt。
- 调用大语言模型生成答案。

简单代码:
# retriever:知识库检索器
# prompt:提示词模板
# llm:大语言模型
chain = (
{
"context": retriever,
"question": RunnablePassthrough()
}
| prompt
| llm
| StrOutputParser()
)
result = chain.invoke("什么是 LangChain?")
二、LangChain 的文档加载器有哪些?
LangChain 提供了 Document Loader(文档加载器),用于从不同的数据源读取内容,并统一转换成 Document 对象。
常见的文档加载器包括:
| 加载器 | 作用 |
|---|---|
| PyPDFLoader | 加载 PDF 文档 |
| PyMuPDFLoader | 使用 PyMuPDF 加载 PDF |
| TextLoader | 加载 TXT 文本 |
| Docx2txtLoader | 加载 Word 文档 |
| UnstructuredExcelLoader | 加载 Excel 文档 |
| CSVLoader | 加载 CSV 文件 |
| WebBaseLoader | 加载网页内容 |
| JSONLoader | 加载 JSON 数据 |
| DirectoryLoader | 批量加载目录中的文件 |
示例:加载 PDF。
from pypdf import PdfReader
from langchain_core.documents import Document
reader = PdfReader("test.pdf")
documents = []
for page_idx, page in enumerate(reader.pages):
page_text = page.extract_text()
if not page_text:
continue
doc = Document(
page_content=page_text,
metadata={
"source": "test.pdf",
"page": page_idx + 1
}
)
documents.append(doc)
for doc in documents:
print(doc.page_content)
print(doc.metadata)
总结:
文档加载器负责将不同格式的数据统一转换为 Document,方便后续进行分块、向量化和检索。
三、什么是 Document?
Document 是 LangChain 中用于表示文档数据的核心数据结构,主要包含两个部分:
page_content:文档的实际文本内容。metadata:文档的元数据信息。
示例:
from langchain_core.documents import Document
doc = Document(
page_content="LangChain 是一个 LLM 应用开发框架。",
metadata={
"source": "langchain.pdf",
"page": 1
}
)
print(doc.page_content)
print(doc.metadata)
总结:
Document 用于统一管理文档内容和附加信息,是 LangChain 中文档加载、分块、检索等环节的重要数据结构。
四、Document 中的 page_content 和 metadata 分别是什么?
page_content 和 metadata 是 Document 的两个核心属性。
| 属性 | 作用 | 示例 |
|---|---|---|
| page_content | 存储文档正文 | LangChain是一个LLM开发框架 |
| metadata | 存储文档附加信息 | 文件名、页码、知识库ID |
示例:
doc = Document(
page_content="RAG 是检索增强生成技术。",
metadata={
"source": "rag.pdf",
"page": 3,
"knowledge_base_id": "kb_001"
}
)
470



被折叠的 条评论
为什么被折叠?



