大模型虽然强大，但依然存在两大痛点：

• 幻觉问题：模型可能在缺乏事实支撑时“编造答案”；

• 知识断层：只能依赖训练时的存量知识，无法覆盖最新或垂直领域的信息。

这时，RAG（检索增强生成）成为解决方案。它的思路很直接：

1. 先检索→从外部知识库找到相关信息；

2. 再生成→把检索结果交给大模型回答问题。

这种“检索+生成”的组合，不仅能降低幻觉率，还能让模型更快适应新的知识场景。

本期推荐和鲸社区创作者@云逸～分享的《LangChain RAG系统实战》项目，其完整演示了如何结合LangChain框架与Qwen3模型，从数据索引到接口服务，搭建出一个可落地的RAG问答系统。

一键Fork项目：https://www.heywhale.com/u/bf1ecb（复制至浏览器打开）

为什么选择LangChain？

实现一个RAG系统并不复杂，但要把整个链路从数据加载、向量化、检索、排序到生成打通，过程冗长。LangChain的优势就在于它的模块化和生态支持：

• 现成组件：数据切分、向量数据库、检索器、问答链等开箱即用；

• 生态丰富：支持FAISS、Milvus、Pinecone等数据库，也兼容OpenAI、Qwen等Embedding和LLM；

• 可扩展：不仅能做RAG，还能扩展到多步推理、工具调用、对话记忆等复杂应用。

这意味着开发者可以把更多精力放在业务逻辑和效果优化上，而不是从零造轮子。

干货解析：RAG三步走 

在项目中，RAG 的核心流程被拆解为三步，每一步都有清晰的实现：

构建索引：让文档“能被理解”

• 项目做法：加载四大名著等中文古典小说，先切分成合适的片段，再用Qwen3-Embedding-4B将其向量化。

• 价值：Embedding 把文本变成“语义坐标”，存入FAISS向量数据库，让模型能按语义相似度检索，而不是死板的关键词匹配。

检索与精排：找到最相关的信息

• 项目做法：当用户提问时，系统会用向量检索召回候选片段，再用Qwen3-Reranker-4B对结果精排序。

• 价值：粗召回保证覆盖面，精排保证准确性。这一步解决了很多“检索结果不准”的问题，让答案更贴近用户问题。

生成回答：大模型“有据可依”

• 项目做法：将排序后的上下文与问题一起打包成prompt，交给大模型，通过LangChain的RetrievalQA模块生成答案。

• 价值：大模型的输出不再是“瞎编”，而是基于检索结果的总结与推理，显著降低幻觉。

通过这三步，项目打通了RAG的完整闭环，形成了一个可实际使用的问答系统。

 项目亮点 

• Embedding+Reranker组合：使用Qwen3-Embedding-4B做语义检索，Qwen3-Reranker-4B精排序，极大提升检索结果的相关性。

• 全流程打通：从文档加载、索引构建，到FastAPI服务上线，完整覆盖从研发到应用全过程。

• 真实调试经验：项目中记录了显存溢出、类型报错等常见问题及解决方案，贴近一线开发实践。

• 扩展性强：项目留出了优化空间，比如更灵活的分块策略、更智能的prompt设计，适合二次开发。