LangChain 入门学习第六篇-持久化索引和本地知识库问答
内容提要
本文介绍LangChain第六篇，将RAG流程拆为构建索引和问答两阶段。构建索引时读取文章、切分、生成向量，保存为JSON文件；问答时加载索引，用余弦相似度检索并调用模型回答。该实现适合教学，但非生产级，真实项目需用向量数据库。
延伸解读
索引持久化的核心：保存什么
本文明确了一个RAG索引至少需要保存三类信息：chunk文本、metadata（如来源、标题）和embedding向量。这种设计让索引可以脱离原始文档独立存在，问答时只需加载索引即可，无需重新处理文档。理解这一点有助于把握向量数据库的基本存储结构。
教学实现与生产级方案的差距
作者指出，JSON文件保存索引仅适合教学，存在文件膨胀、全量遍历、无增量更新、无版本记录等问题。真实项目应使用Chroma、FAISS、PGVector或Milvus等向量数据库。这提醒读者，学习时需明确技术方案的适用边界，避免将教学代码直接用于生产。
检索过程的透明化
本文没有使用InMemoryVectorStore，而是手写余弦相似度计算，使检索过程更透明：将问题转为向量，与索引中所有向量计算相似度，取top_k。这有助于理解向量检索的本质，也为后续调优（如第七篇提到的检索不准问题）打下基础。
Q&A
LangChain 入门学习第六篇主要讲了什么？
本文介绍了LangChain中RAG流程的持久化索引实现，将流程拆分为构建索引和问答两个阶段，并提供了教学示例代码。
如何构建持久化索引？
运行命令 `uv run python -m chapter06.build_index`，该命令会读取文章、切分文档、生成向量，并将索引保存为JSON文件。
持久化索引中保存了哪些信息？
索引中保存了每个文本片段（chunk）的正文内容、元数据（如来源文章、标题、分类）以及对应的embedding向量。
如何从持久化索引中检索答案？
运行命令 `uv run python -m chapter06.persistent_rag "问题"`，程序会加载索引，用问题生成查询向量，计算余弦相似度，返回最相关的片段，并调用模型生成回答。
为什么需要持久化索引？
因为之前的实现每次运行都要重新读取文章、切分、生成向量，文章多时效率低。持久化索引将处理好的向量和文本保存下来，下次直接加载，避免重复计算。
这个持久化索引实现有哪些局限性？
局限性包括：JSON文件会随文章数量增大而变大；每次查询需要遍历所有向量，效率低；没有增量更新机制；没有记录索引版本和生成参数。真实项目应使用向量数据库如FAISS、Chroma等。
RAG流程被拆分为哪两个阶段？
离线阶段：读取文档、切分、生成向量、保存索引；在线阶段：加载索引、检索、生成回答。
