本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发学习视频及资料，尽在聚客AI学院。

一、LangChain搜索工具实战：集成DuckDuckGo实现实时信息查询

核心场景：解决大模型知识滞后问题，通过搜索引擎获取实时信息

1.1 基础集成方案

from langchain_community.tools import DuckDuckGoSearchRun
# 初始化搜索工具
search = DuckDuckGoSearchRun()
result = search.invoke("OpenAI 2025年最新模型发布计划")
print(result)  # 返回简洁文本摘要

1.2 高级配置（含元数据过滤）

from langchain_community.utilities import DuckDuckGoSearchAPIWrapper
# 定制化搜索参数
wrapper = DuckDuckGoSearchAPIWrapper(region="zh-cn",          # 中文结果max_results=3,           # 限制结果数time="y"                 # 最近一年信息
)
search = DuckDuckGoSearchResults(api_wrapper=wrapper)
result = search.invoke("量子计算机最新突破")
print(result[0]['title'], result[0]['link'])  # 输出标题和链接

1.3 代理解决访问限制

# 通过代理API提升稳定性:cite[1]
proxy_wrapper = DuckDuckGoSearchAPIWrapper(api_endpoint="http://your-proxy-domain.com",  # 自建代理服务max_results=5
)

避坑指南：公共API存在频率限制，建议使用代理或自建网关服务

二、Langchain本地搜索：SearxNG+Agent实战

核心价值：开源、去中心化的搜索引擎，保护隐私且可定制搜索源

2.1 自建SearxNG服务（关键配置）

# settings.yml 启用JSON输出:cite[8]
search:formats:- html- json  # 必须启用API格式

2.2 LangChain集成方案

from langchain_community.utilities import SearxSearchWrapper
# 连接自建实例
searx = SearxSearchWrapper(searx_host="http://localhost:8888")
results = searx.run("Llama3微调教程", engines=["github"])
# 作为Agent工具使用:cite[2]
tools = load_tools(["searx-search"], searx_host="http://localhost:8888")
agent = initialize_agent(tools, llm, agent="structured-chat-react")

2.3 多引擎分流策略

# 创建专用工具链:cite[8]
github_tool = SearxSearchResults(name="Github_Search", wrapper=wrapper, kwargs={"engines": ["github"]}
)
arxiv_tool = SearxSearchResults(name="Arxiv_Search",wrapper=wrapper,kwargs={"engines": ["arxiv"]}
)

三、RAG数据工程起点：文档加载与结构化准备

核心挑战：PDF/Word/HTML等格式的差异化解构

3.1 多格式文档加载

from langchain_community.document_loaders import (PyPDFLoader, Docx2txtLoader,UnstructuredHTMLLoader
)
# PDF解析（保留布局）
pdf_loader = PyPDFLoader("report.pdf")
pdf_pages = pdf_loader.load_and_split()
# Word解析（过滤样式噪声）
docx_loader = Docx2txtLoader("manual.docx")
text = docx_loader.load()[0].page_content
# HTML解析（动态渲染）
html_loader = UnstructuredHTMLLoader("page.html", bs_kwargs={"features": "lxml"}
)

3.2 高级表格提取技巧

import pdfplumber
# 提取PDF表格:cite[3]
with pdfplumber.open("financial.pdf") as pdf:page = pdf.pages[0]table = page.extract_table()for row in table:print(row[0], row[1])  # 输出单元格数据

四、RAG数据工程核心：文本切分

前沿技术：Meta-Chunking动态分块策略

4.1 传统分块方法痛点

固定长度切割破坏句子完整性
语义边界识别不准（如代词跨块指代）

4.2 动态分块解决方案

from langchain_experimental.text_splitter import SemanticChunker
from langchain_community.embeddings import HuggingFaceEmbeddings
# 基于语义相似度的动态分块
splitter = SemanticChunker(HuggingFaceEmbeddings(model_name="BAAI/bge-base-zh"),breakpoint_threshold=0.5  # 相似度低于阈值时切分
)
chunks = splitter.split_text(long_document)

4.3 Late Chunking技术（解决代词问题）

原理：先整文档向量化 → 再按需分块 → 避免上下文丢失
效果：代词召回率提升25%（如“它”正确指向“柏林”）

五、RAG向量数据库实战：初始化+写入与查询

架构图：

5.1 ChromaDB快速入门

import chromadb
from chromadb.utils.embedding_functions import OpenAIEmbeddingFunction
# 初始化客户端
client = chromadb.PersistentClient(path="./vector_db")
collection = client.create_collection(name="tech_docs",embedding_function=OpenAIEmbeddingFunction()
)
# 写入数据
collection.add(documents=["量子计算原理...", "区块链技术..."],metadatas=[{"source": "doc1"}, {"source": "doc2"}],ids=["id1", "id2"]
)
# 相似查询
results = collection.query(query_texts=["量子比特的物理实现"],n_results=2
)

5.2 生产级优化方案

混合索引：HNSW + 量化压缩（减少40%内存占用）
元数据过滤：where={"date": {"$gte": "2024-01-01"}}
多向量支持：为同一文档存储摘要/关键词/正文向量

六、RAG全流程实战：从文档到问答闭环

完整架构图：

6.1 代码实现（LangChain链式集成）

from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
# 构建混合检索链
retriever = vector_db.as_retriever(search_kwargs={"k": 3})
qa_chain = ({"context": lambda x: format_results(retriever.invoke(x["query"]),"question": RunnablePassthrough()}| prompt| ChatOpenAI(model="gpt-4o")| StrOutputParser()
)
# 动态路由：根据问题类型选择来源
def route_query(input):if "最新" in input["query"] or "2025" in input["query"]:return search_tool.invoke(input["query"])else:return retriever.invoke(input["query"])