RAG系列：基于 DeepSeek + Chroma + LangChain 開發一個簡單 RAG 系統
創建 Next 項目
首先，使用 npx create-next-app@latest 根據提示完成 Next 項目的創建：
# 創建 Next 項目
npx create-next-app@latest創建好項目之后，在 src/app 目錄下新建 rag 目錄，本次 demo 的代碼都將放在這里。
知識庫構建
接下來，我們將構建知識庫，主要目標是將準備好的 pdf 通過向量化存到向量數據庫中，以便后續的檢索。
由于本次 RAG 系統的開發都要依賴 LangChain 框架，所以我們先在項目中安裝 LangChain 框架和核心依賴：
# LangChain 框架和核心依賴
npm install langchain @langchain/core文檔加載
LangChain 的 DocumentLoaders[1] 提供了種類豐富的文檔加載器，可加載文件系統的文件也可以加載線上文件，包括 csv、docx、pdf、pptx、html、github、youtube等等。
現在我們使用 PDFLoader[2] 來實現 pdf 的數據加載。
先安裝所需的依賴包：
# @langchain/community：包含第三方集成，這些集成實現了 LangChain Core 中定義的基本接口，如：文檔加載、文檔嵌入、向量數據庫等等
# pdf-parse：讀取 pdf 文本
npm install @langchain/community pdf-parse然后添加加載 pdf 的代碼：
import { PDFLoader } from '@langchain/community/document_loaders/fs/pdf';
const loader = new PDFLoader('public/example.pdf', { splitPages: false });
const docs = await loader.load();文檔分割
加載完成后，由于加載的文檔可能過長，不適合模型的上下文窗口，需要將文檔分割成合適的大小。
LangChain 提供了 TextSplitter[3] 組件來實現文檔分割：
import { RecursiveCharacterTextSplitter } from 'langchain/text_splitter';
// chunkSize：分割文檔的長度
// chunkOverlap：分割文檔間的重疊長度
const textSplitter = new RecursiveCharacterTextSplitter({
chunkSize: 1000,
chunkOverlap: 200,
});
const texts = await textSplitter.splitDocuments(docs);文檔向量嵌入
接下來我們需要對分割后的文本塊進行向量嵌入，然后使用 Chroma 向量數據庫存儲。
向量模型使用 ollama 安裝的 nomic-embed-text 模型，可用 ollama run nomic-embed-text進行下載和運行，完整的代碼如下：
import {
Chroma,
ChromaLibArgs,
} from'@langchain/community/vectorstores/chroma';
import { ChatOllama, OllamaEmbeddings } from'@langchain/ollama';
import { EmbeddingsInterface } from'@langchain/core/embeddings';
// 初始化 embeddings 函數
exportfunctioninitOllamaEmbeddings(model = 'nomic-embed-text') {
returnnewOllamaEmbeddings({ model });
}
// 初始化向量數據庫
exportfunctioninitChroma(
embeddings: EmbeddingsInterface = initOllamaEmbeddings(),
args: ChromaLibArgs = {
collectionName: 'rag_collection',
url: 'http://localhost:8000',
}
) {
returnnewChroma(embeddings, args);
}
// 初始化向量數據庫
const chromadb = initChroma();
// 保存文本塊
const documents = await chromadb.addDocuments(texts);到此就構建好了一個簡單的知識庫。
RAG 系統構建
在創建好知識庫之后，接下來就可以開始構建一個基礎的 RAG 系統。該系統包括檢索器與生成器兩部分，具體工作流程如下：對于用戶輸入的問題，檢索器先搜索與該問題相關的文檔，接著將檢索到的文檔與初始問題一起傳遞給生成器，即大語言模型，最后將模型生成的答案返回給用戶。
檢索器創建
我們先基于 VectorStoreRetriever 創建檢索器，利用向量相似度進行檢索。
// 初始化向量數據庫
const chromadb = initChroma();
// 創建檢索器
const retriever = chromadb.asRetriever();生成器創建
接下來我們創建生成器，這里我們使用 Ollama 安裝的 deepseek-r1:14b 大模型作為生成器。
import { ChatOllama } from '@langchain/ollama';
export function initOllamaLLM(model = 'deepseek-r1:14b') {
return new ChatOllama({ model });
}
// 創建生成器（初始化大模型）
const ollamaLLM = initOllamaLLM()然后再設置提示模版：
// 設置提示模版
const prompt = PromptTemplate.fromTemplate(
'你是負責回答問題的助手。使用以下檢索到的上下文片段來回答問題。如果你不知道答案，就說你不知道。\n\n上下文：{context}\n\n問題：{question}\n\n回答：'
);RAG 鏈生成答案
最后我們通過 RAG 鏈將檢索器和生成器整合在一起，這里可以使用 LangChain 表達式語言（LangChain Execution Language，LCEL）來方便快捷地構建一個鏈，將檢索到的文檔、構建的輸入 Prompt 以及模型的輸出組合起來。
// 使用 LCEL 構建 RAG 鏈
const ragChain = RunnableSequence.from([
{
context: retriever.pipe((docs) => {
// 文檔列表使用 \n\n 拼接為字符串
return docs.map((doc) => doc.pageContent).join('\n\n');
}),
question: newRunnablePassthrough(),
},
prompt,
ollamaLLM,
newStringOutputParser(),
]);
// 使用 RAG 鏈生成答案
const answer = await ragChain.invoke(question);項目代碼
代碼：https://github.com/laixiangran/ai-learn
啟動項目之后在瀏覽器輸入 http://localhost:3000/rag 即可訪問該 RAG 系統，然后在輸入框輸入問題：互聯網的人才缺口有哪些
也可以通過訪問 http://localhost:3000/rag/generate?questinotallow=互聯網的人才缺口有哪些
通過以上步驟，我們就完成了一個基礎 RAG 系統的搭建，其中借助于 LangChain 提供了一系列強大的工具和組件，使得構建和整合檢索與生成過程變得簡單而高效。而借助 Ollama 我們也能夠在本地部署大語言模型和向量模型，這讓我們可以以較小的資源進行 AI 的開發學習實踐。
引用鏈接
[1] DocumentLoaders: https://js.langchain.com/docs/concepts/document_loaders
[2] PDFLoader: https://v03.api.js.langchain.com/classes/_langchain_community.document_loaders_fs_pdf.PDFLoader.html
[3] TextSplitter: https://js.langchain.com/docs/concepts/text_splitters
