LangChain 入门学习第五篇-使用本地 Embeddings 实现向量检索 RAG
内容提要
本文是LangChain系列第五篇教程，介绍使用教学版HashEmbeddings实现向量检索RAG。流程包括切分Markdown文档、生成向量、存入InMemoryVectorStore，并通过Retriever检索后交给模型回答。HashEmbeddings虽非语义模型，但演示了Embeddings、VectorStore和Retriever接口的使用。真实项目中可替换为OpenAIEmbeddings。下一篇将解决索引持久化问题。
延伸解读
接口抽象的价值
本文通过教学版HashEmbeddings演示了LangChain中Embeddings、VectorStore和Retriever接口的用法。关键在于，只要实现了embed_documents和embed_query方法，就能接入InMemoryVectorStore，后续替换为OpenAIEmbeddings等真实模型时，RAG链路无需大改。这体现了LangChain抽象层带来的灵活性，让开发者可以专注于业务逻辑，而不必绑定特定实现。
教学版Embeddings的局限
HashEmbeddings并非语义模型，它只是将文本hash到固定维度向量，无法理解同义表达，检索质量有限。因此，它仅适合教学演示，不能用于生产环境。真实项目中应使用如OpenAIEmbeddings等语义模型，但前提是本地或远程服务提供相应的embedding接口。
内存向量库的临时性
InMemoryVectorStore将索引存储在内存中，程序结束后索引即消失，每次运行都需要重新构建，效率低下。本文明确指出这一限制，并预告下一篇将解决索引持久化问题。对于实际应用，持久化索引是必要的，以避免重复计算和加快启动速度。
Q&A
LangChain 中如何实现向量检索 RAG？
在 LangChain 中实现向量检索 RAG 的流程是：先将 Markdown 文档切分成 chunk，然后用 Embeddings 模型（如 HashEmbeddings）生成向量，存入 VectorStore（如 InMemoryVectorStore），再通过 Retriever 检索相关 chunk，最后将检索结果作为上下文与问题一起交给 LLM 生成回答。
HashEmbeddings 是什么？它有什么优缺点？
HashEmbeddings 是文章作者编写的一个教学版 Embeddings 实现，它通过将文本 token 哈希到固定维度向量并归一化来生成向量。优点是无需额外模型、完全本地可运行、符合 LangChain 的 Embeddings 接口；缺点是不是语义向量，不能理解同义表达，检索质量不如真实 embedding 模型。
为什么需要 Embeddings 而不是关键词检索？
关键词检索基于字面命中，无法处理语义相近但字面不同的情况。向量检索将文本转换为向量并比较相似度，真实 embedding 模型能将语义相近的文本映射到相近位置，从而提升检索效果。
InMemoryVectorStore 有什么特点？
InMemoryVectorStore 是 LangChain 自带的内存向量库，数据只存在于当前进程中，程序结束后索引就会丢失，因此适合演示流程，不适合生产环境。
如何运行第五篇的 demo？
在 code/langchain-demo 目录下运行命令：uv run python -m chapter05.vector_rag "Python 函数式编程讲了什么？"。如果需要绕开外部 PYTHONPATH，可以使用 env -u PYTHONPATH .venv/bin/python -m chapter05.vector_rag "Python 函数式编程讲了什么？"。
真实项目中如何替换 HashEmbeddings？
真实项目中可以将 HashEmbeddings 替换为 OpenAIEmbeddings，例如：from langchain_openai import OpenAIEmbeddings; embeddings = OpenAIEmbeddings(model="text-embedding-3-small", api_key=settings.api_key, base_url=settings.base_url)。前提是 OpenAI 兼容服务提供 embedding 模型。
LangChain 中 Retriever 接口有什么好处？
使用 LangChain 的标准 Retriever 接口，后续如果换成别的向量库，只要它也提供 retriever，后面的 RAG 代码就不用大改，体现了 LangChain 抽象层的意义。
