Phase 1-3 讲的是 LangChain 的框架骨架（core、LangGraph、Agent）。Phase 4 讲 Agent 最常用的一类能力——RAG（检索增强生成）：让 Agent 能查知识库再回答。
这一篇是 Phase 4 开篇，先给全景。后面 6 篇会逐段深入。
什么是 RAG
RAG = Retrieval-Augmented Generation，检索增强生成。一句话：模型回答前，先从知识库检索相关资料，把资料塞进 prompt，让模型基于资料回答。
为什么要这么做？因为模型的知识是训练时固化的，有截止日期、不知道你的私有数据。RAG 让模型能「临时查阅」最新或私有资料，再回答——就像开卷考试。
RAG 的五段流水线
搭一个 RAG，核心是一条五段流水线：
文档加载 → 文本切分 → 向量化 → 存储 → 检索
每一段都是 Phase 1 讲的 Runnable，最后 retriever 检索到的资料，塞进 prompt 交给模型。
逐段一句话：
| 段 | 干什么 | 关键问题 |
|---|---|---|
| 加载（Loaders） | 把 PDF/网页/数据库等原始内容读进来 | 格式五花八门，怎么读干净 |
| 切分（Splitters） | 把长文档切成小块 | 切多大切不好都会影响检索 |
| 向量化（Embeddings） | 把文本块转成向量 | 选什么模型，质量差异大 |
| 存储（VectorStores） | 把向量存起来，支持相似搜索 | 选什么库，规模差异大 |
| 检索（Retrievers） | 给查询，返回最相关的几块 | 怎么才算「相关」，策略很多 |
这五段，后面每段单独一篇（26-30）。这一篇先让你有全景。
建库 vs 查询：两个阶段
理解 RAG 要分清两个阶段：
建库阶段（离线，做一次）：把文档加载、切分、向量化、存进向量库。这是一次性的准备工作，建好后可反复用。
查询阶段（在线，每次问都做）：用户问问题 → 把问题向量化 → 在库里检索相关块 → 把块塞进 prompt → 模型回答。
两阶段共用「向量化」和「向量库」——建库时往里存，查询时从里查。这也是为什么选 embedding 模型和向量库要慎重：换一次，整个库要重建。
整条链用 LCEL 串起来
RAG 的查询阶段，本质是一条 LCEL 链（Phase 1 讲的）：
# retriever 检索 → 拼进 prompt → 模型生成
rag_chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt
| model
| parser
)
retriever 是 Runnable，prompt 是 Runnable，model 是 Runnable——所以整条 RAG 链自然继承流式、批处理、追踪（第 4 篇讲的 LCEL 红利）。这就是为什么 Phase 1 要先讲 Runnable 和 LCEL——RAG 是它们最典型的应用。
固定 RAG vs Agentic RAG
RAG 有两种用法，后面会展开（第 31 篇）：
- 固定 RAG：每次都「检索→生成」，流程写死。简单可控，适合明确的问答场景
- Agentic RAG：让 Agent 自己决定「要不要检索、检索什么」。更灵活，适合复杂场景
这一篇和接下来几篇讲的是固定 RAG 的基础。第 31 篇会讲怎么把它升级成 Agentic RAG。
收束：五段链路，逐段深入
这一篇给了 RAG 全景：
- RAG = 回答前先查资料，解决模型知识固化问题
- 五段流水线：加载→切分→向量化→存储→检索
- 分建库（离线做一次）和查询（在线每次做）两阶段
- 查询阶段是 LCEL 链，继承所有 Runnable 能力
- 有固定 RAG 和 Agentic RAG 两种用法
下一篇从第一段开始——Document Loaders：怎么把 PDF、网页、数据库这些原始内容干净地读进来。
关于十三Tech
我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。
如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。
