AI编程时代已来！大模型RAG入门：LlamaIndex与LangChain实战全解析，附代码+保姆级教程

上周了解了什么是RAG，这周学会了使用LlamaIndex、LangChain创建简单的RAG。接下来让我们先了解LlamaIndex、LangChain是什么，然后简单说明如何使用上面的框架创建RAG。

一、LlamaIndex、LangChain介绍

LlamaIndex、LangChain是目前两种常见的大模型应用框架，它们有各自的特点和适用场景。

二、开发准备工作

下载并安装python3；

1. 准备一个IDE，PyCharm、IDEA、Cursor均可；
2. 准备一个Deepseek的API账号，确保有Token可用；
3. 准备一段txt文本，作为待检索的文档；

三、创建RAG DEMO

1、根目录下新建requirements.txt，写入相关依赖库，执行pip安装命令；

llama-index==0.12.25 llama-index-core==0.12.25 llama-index-embeddings-huggingface==0.5.2 llama-index-llms-deepseek==0.1.1 langchain==0.3.21 langchain-community==0.3.20 langchain-core==0.3.47 langchain-deepseek==0.1.2 langchain-huggingface==0.1.2 langchain-text-splitters==0.3.7

pip install -r requirements.txt

2、把待检索文本放入根目录;

3、根目录下新建.env文件，写入你的DEEPSEEK_API_KEY;

4、项目目录结构类似这样；

5、使用LlamaIndex创建RAG demo

""" 使用LlamaIndex框架搭建简单RAG """ # 1、导入llama_index相关库、环境变量 from llama_index.core import VectorStoreIndex, SimpleDirectoryReader from llama_index.embeddings.huggingface import HuggingFaceEmbedding from llama_index.llms.deepseek import DeepSeek from llama_index.core import Settings # 设置嵌入模型 Settings.embed_model = HuggingFaceEmbedding("BAAI/bge-small-zh") from dotenv import load_dotenv import os load_dotenv() # 2、加载内容 doc = SimpleDirectoryReader(input_files=["java基础知识.txt"]).load_data() # 3、创建索引 index = VectorStoreIndex.from_documents(doc) # 4、创建问答引擎 llm = DeepSeek( model="deepseek-reasoner", api_key=os.getenv("DEEPSEEK_API_KEY") ) query_engine = index.as_query_engine(llm=llm) # 输出结果 print(query_engine.query("jdk各个版本的区别？"))

输出结果类似这样：

6、使用LangChain创建RAG demo

""" 使用LangChain框架搭建简单RAG """ # 1、导入LangChain相关库 from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_huggingface import HuggingFaceEmbeddings from langchain_core.vectorstores import InMemoryVectorStore from langchain_core.prompts import ChatPromptTemplate from langchain_deepseek import ChatDeepSeek import os from dotenv import load_dotenv import langchain_text_splitters from llama_index.core.indices import vector_store # 环境变量 load_dotenv() # 2、加载内容 doc = TextLoader("java基础知识.txt", encoding="utf-8").load() # 3、文档分片 text_splitter = RecursiveCharacterTextSplitter(chunk_size = 500, chunk_overlap=100) all_splits = text_splitter.split_documents(doc) # 4、配置嵌入模型 embeddings = HuggingFaceEmbeddings( model_name="BAAI/bge-small-zh-v1.5", model_kwargs={'device': 'cpu'}, encode_kwargs={'normalize_embeddings': True} ) # 5、创建向量存储 vector_store = InMemoryVectorStore(embeddings) vector_store.add_documents(all_splits) # 6、输入问题 question = "JMM是什么？" # 7、在向量存储中检索相关文档，得到2个最相近的内容 retrieved_docs = vector_store.similarity_search(question, k=2) docs_content = "\n\n".join(doc.page_content for doc in retrieved_docs) # 8、构建提示模板 prompt = ChatPromptTemplate.from_template( """ 你是一个专业的知识库助手，基于以下上下文，回答问题。如果上下文信息与问题无关，请说"我无法从提供的上下文中找到相关信息"。 上下文：{context} 问题：{question} 回答： """ ) # 9、构建LLM模型 llm = ChatDeepSeek( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY") ) # 10、输出结果 answer = llm.invoke(prompt.format(question=question, context=docs_content)) print(answer)

输出结果，类似这样

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】