基础 RAG #

本文档中引用的文件

目录 #

  1. 简介
  2. 项目结构
  3. 核心组件
  4. 架构概览
  5. 详细组件分析
  6. 依赖关系分析
  7. 性能考虑
  8. 故障排除指南
  9. 结论

简介 #

基础 RAG（检索增强生成）是 LangGraphGo 框架中最简单但功能完整的检索增强生成系统实现。它采用两节点流水线设计：retrieve（检索）和 generate（生成），构成了最简化的 RAG 工作流。这种设计特别适用于对延迟敏感且检索质量稳定的场景，为理解更复杂的 RAG 系统提供了良好的起点。

基础 RAG 系统的核心优势在于其简洁性和高效性。通过最小化组件数量，它减少了计算开销和潜在的错误点，同时保持了 RAG 技术的核心价值——结合检索到的相关文档与语言模型生成高质量回答的能力。

项目结构 #

LangGraphGo 的 RAG 实现遵循模块化设计原则，主要分为以下几个层次：

graph TB
subgraph "示例层"
A[examples/rag_basic/main.go]
B[examples/rag_basic/README.md]
end
subgraph "预构建组件层"
C[prebuilt/rag.go]
D[prebuilt/rag_components.go]
E[prebuilt/rag_test.go]
end
subgraph "核心图层"
F[graph/]
G[graph/state_graph.go]
H[graph/message_graph.go]
end
A --> C
A --> D
C --> F
D --> F
E --> C
E --> D

图表来源

章节来源

核心组件 #

RAGState 状态管理 #

RAGState 是贯穿整个 RAG 流水线的状态容器，负责在各个节点之间传递数据：

字段名 类型 描述
Query string 用户查询问题
Documents []Document 当前处理的文档列表
RetrievedDocuments []Document 检索阶段获取的原始文档
RankedDocuments []DocumentWithScore 排序后的文档及相关性分数
Context string 构建的上下文文本
Answer string 生成的回答内容
Citations []string 文档引用列表
Metadata map[string]interface{} 元数据信息

RAGConfig 配置管理 #

RAGConfig 提供了灵活的配置选项，支持不同场景的需求：

配置项 类型 默认值 描述
TopK int 4 检索的文档数量
ScoreThreshold float64 0.7 相关性阈值
UseReranking bool false 是否使用重排序
UseFallback bool false 是否使用备用搜索
SystemPrompt string 标准提示 系统指令模板
IncludeCitations bool true 是否包含引用
MaxTokens int 1000 最大令牌数
Temperature float64 0.0 生成温度

章节来源

架构概览 #

基础 RAG 系统采用单向流水线架构，包含两个核心节点：

flowchart TD
A["用户查询<br/>Query"] --> B["retrieve 节点<br/>文档检索"]
B --> C["generate 节点<br/>答案生成"]
C --> D["最终输出<br/>Answer + Documents"]
B --> E["RetrievedDocuments<br/>原始检索结果"]
C --> F["Context<br/>构建的上下文"]
C --> G["Answer<br/>生成的答案"]
style A fill:#e1f5fe
style D fill:#c8e6c9
style B fill:#fff3e0
style C fill:#fce4ec

图表来源

流水线构建过程 #

基础 RAG 流水线的构建遵循以下步骤：

  1. 验证必要组件：确保配置中包含有效的 Retriever 和 LLM
  2. 添加检索节点：注册 retrieve 节点处理文档检索
  3. 添加生成节点：注册 generate 节点处理答案生成
  4. 建立连接：设置节点间的执行顺序和终点

章节来源

详细组件分析 #

retrieveNode 检索节点实现 #

retrieveNode 是基础 RAG 流水线的第一个节点，负责从向量存储中检索相关文档：

sequenceDiagram
participant State as RAGState
participant Config as RAGConfig
participant Retriever as Retriever接口
participant VectorStore as VectorStore
State->>Config : 获取Retriever
Config->>Retriever : 调用GetRelevantDocuments
Retriever->>VectorStore : SimilaritySearch(query, topK)
VectorStore-->>Retriever : 返回相关文档
Retriever-->>Config : 返回检索结果
Config-->>State : 更新RetrievedDocuments和Documents

图表来源

检索流程详解 #

  1. 状态提取：从输入状态中获取查询字符串
  2. 调用检索器：通过 Retriever.GetRelevantDocuments 方法执行语义相似度搜索
  3. 结果处理：将检索到的文档同时赋值给 RetrievedDocuments 和 Documents 字段
  4. 状态返回：将更新后的状态返回给流水线

检索器的具体实现依赖于 VectorStoreRetriever，它封装了向量存储的相似度搜索功能：

classDiagram
class VectorStoreRetriever {
+VectorStore VectorStore
+TopK int
+GetRelevantDocuments(ctx, query) []Document
}
class VectorStore {
<<interface>>
+SimilaritySearch(ctx, query, k) []Document
+SimilaritySearchWithScore(ctx, query, k) []DocumentWithScore
}
VectorStoreRetriever --> VectorStore : 使用

图表来源

章节来源

generateNode 生成节点实现 #

generateNode 是流水线的第二个节点，负责将检索到的文档与查询组合成提示词并生成最终答案：

flowchart TD
A["接收RAGState"] --> B["构建上下文文本"]
B --> C["格式化文档内容"]
C --> D["生成提示词"]
D --> E["调用LLM模型"]
E --> F["解析响应"]
F --> G["更新Answer字段"]
G --> H["返回更新状态"]
subgraph "上下文构建"
B1["遍历Documents"]
B2["提取Metadata中的source"]
B3["格式化[编号] Source: xxx\nContent: xxx"]
B1 --> B2 --> B3
end
subgraph "提示词构建"
D1["Context:\n{上下文}\n\nQuestion: {Query}\n\nAnswer:"]
end
B --> B1
D --> D1

图表来源

生成流程详解 #

  1. 上下文构建：遍历 Documents 列表，将每个文档的内容和元数据格式化为结构化文本
  2. 提示词组装：将上下文和查询组合成标准的提示词格式
  3. LLM 调用：使用配置的系统提示和人类提示调用语言模型
  4. 结果处理：从模型响应中提取第一个候选答案并更新状态

上下文格式化规则 #

生成的上下文遵循以下格式规范：

[1] Source: {source}
Content: {document_content}

[2] Source: {source}
Content: {document_content}

...

这种格式有助于 LLM 更好地理解每个文档的来源和内容，从而生成更有针对性的回答。

章节来源

RAGPipeline 构建器 #

RAGPipeline 是整个 RAG 系统的协调者，负责：

classDiagram
class RAGPipeline {
+config *RAGConfig
+graph *MessageGraph
+BuildBasicRAG() error
+BuildAdvancedRAG() error
+Compile() Runnable
+GetGraph() MessageGraph
}
class MessageGraph {
+AddNode(name, fn) void
+SetEntryPoint(name) void
+AddEdge(src, dst) void
+Compile() Runnable
}
class RAGConfig {
+Retriever Retriever
+LLM llms.Model
+SystemPrompt string
+TopK int
}
RAGPipeline --> MessageGraph : 包含
RAGPipeline --> RAGConfig : 使用

图表来源

章节来源

依赖关系分析 #

基础 RAG 系统的依赖关系体现了清晰的分层架构：

graph TD
subgraph "应用层"
A[examples/rag_basic/main.go]
end
subgraph "业务逻辑层"
B[prebuilt/RAGPipeline]
C[prebuilt/RAGState]
D[prebuilt/RAGConfig]
end
subgraph "接口抽象层"
E[prebuilt/Retriever]
F[prebuilt/LLM]
G[prebuilt/VectorStore]
end
subgraph "具体实现层"
H[prebuilt/VectorStoreRetriever]
I[prebuilt/MockEmbedder]
J[prebuilt/InMemoryVectorStore]
K[prebuilt/SimpleTextSplitter]
end
A --> B
A --> C
A --> D
B --> E
B --> F
B --> G
E --> H
G --> J
D --> I
D --> K

图表来源

关键依赖说明 #

  1. Retriever 接口：抽象了文档检索能力，支持多种检索策略
  2. LLM 接口：统一了语言模型调用方式，支持不同提供商
  3. VectorStore 接口：封装了向量存储操作，支持内存和持久化存储
  4. Embedder 接口：负责文本向量化，支持不同的嵌入模型

章节来源

性能考虑 #

延迟优化策略 #

基础 RAG 系统在设计时充分考虑了性能优化：

  1. 最小化节点数量：仅包含两个核心节点，减少计算开销
  2. 同步执行：所有节点按顺序同步执行，避免并发复杂性
  3. 内存优化：使用内存向量存储，提供快速访问
  4. 批量处理：支持批量文档处理，提高吞吐量

可扩展性设计 #

虽然基础版本简化了架构，但仍保留了良好的可扩展性：

故障排除指南 #

常见问题及解决方案 #

检索失败 #

症状：retrieveNode 返回空文档或错误 可能原因：

解决方案：

生成失败 #

症状：generateNode 返回空答案或错误 可能原因：

解决方案：

章节来源

结论 #

基础 RAG 系统为 LangGraphGo 生态系统提供了一个简洁而强大的 RAG 实现。通过最小化组件数量和优化执行流程，它成功地平衡了功能完整性和性能效率。

主要优势 #

  1. 简洁性：仅包含两个核心节点，易于理解和维护
  2. 高效性：最小化计算开销，适合对延迟敏感的应用
  3. 灵活性：通过接口抽象支持多种实现选择
  4. 可扩展性：为更复杂的 RAG 系统奠定基础

适用场景 #

基础 RAG 系统不仅是一个实用的工具，更是理解 RAG 技术精髓的良好起点。通过深入学习其实现原理，开发者可以更好地掌握 RAG 系统的设计思想，并在此基础上构建更加复杂和功能丰富的应用。