程序员必修课1. 项目概述：简易RAG系统搭建全流程
RAG（Retrieval-Augmented Generation）技术正在成为连接大语言模型与专业领域知识的桥梁。这个周末我用Chromadb+LangChain+Streamlit搭建了一个能处理PDF文档的问答系统，实测从环境配置到界面优化共耗时6小时。相比纯LLM的"幻觉回答"，RAG系统通过向量检索确保每个回答都有据可查——比如当用户询问合同条款时，系统会先定位文档中的相关段落，再生成精准回复。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心组件选型解析
2.1 向量数据库方案对比
测试了三种主流方案后，最终选择ChromaDB作为存储引擎：
- 轻量化：单文件存储模式，无需单独部署服务（对比Milvus需要Docker）
- Python原生：
pip install chromadb即可使用 - 性能实测：在16GB内存机器上，10万条768维向量检索耗时<200ms
安装时注意版本匹配问题：
bash复制# 必须同时安装这两个包避免冲突
pip install chromadb==0.4.15
pip install sentence-transformers==2.2.2
2.2 LangChain框架设计
采用LCEL（LangChain Expression Language）构建处理流水线：
python复制from langchain_core.runnables import RunnablePassthrough
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
qa_chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt
| llm
| StrOutputParser()
)
关键参数说明：
search_kwargs中的k值影响召回数量RunnablePassthrough保持原始问题不变- 使用
StrOutputParser适配Streamlit输出