基于LangChain的PDF RAG系统：构建本地化智能文档问答助手

本文介绍开源项目langchain-pdf-rag，基于LangChain和LangGraph构建，实现完整的检索增强生成（RAG）系统。核心功能包括arXiv论文自动下载、多格式文档向量化存储、持久化会话记忆，提供CLI交互式问答和聊天功能，特别适合学术研究等场景，为高效提取PDF文档知识提供解决方案。

在信息爆炸时代，研究人员和知识工作者面临从海量PDF文档提取价值知识的挑战。检索增强生成（RAG）技术通过结合大型语言模型与文档检索，为该问题提供优雅解决方案。langchain-pdf-rag项目基于LangChain和LangGraph构建，是功能完整、架构清晰的PDF问答系统，适合学术研究场景。

该项目实现RAG系统完整工作流，主要功能包括：

• arXiv论文自动采集：按主题批量下载并导出元数据
• 多格式文档支持：PDF和Markdown文档摄取
• 可配置嵌入模型：OpenAI云端嵌入与Hugging Face本地嵌入
• 持久化会话记忆：基于SQLite的聊天历史存储
• 三种交互模式：文档摄取、单次问答、交互式聊天

项目采用模块化设计，分三层：

1. 文档摄取层：负责PDF解析、文本分块和向量化，使用Chroma向量数据库，支持自定义分块策略和嵌入模型选择（如本地sentence-transformers模型）。
2. 检索层：封装向量存储的创建、加载和查询，通过环境变量配置检索参数（如返回文档数RETRIEVAL_K）。
3. 智能体层：基于LangGraph构建对话流程，实现检索工具与LLM协同，确保回答基于文档内容。

部署步骤：

1. 环境准备：创建虚拟环境并安装依赖（pip install -r requirements.txt），可选本地嵌入依赖。
2. 配置API密钥：复制.env.example为.env，填入OpenAI API密钥，选择嵌入提供者（openai或local）。
3. 获取文档：用脚本从arXiv下载论文（如查询cs.AI主题的RAG相关论文）。
4. 构建知识库：执行python -m src.main ingest建立向量索引。
5. 开始问答：单次提问（ask命令）或交互式聊天（chat命令）。

项目支持两种部署方案：

• 云端方案：使用OpenAI的text-embedding-3-small模型，无需本地GPU，适合快速验证和生产部署。
• 本地方案：选用Hugging Face开源嵌入模型，配合Ollama等本地LLM，实现完全离线私有知识库问答，满足数据隐私要求。切换模型后需重新执行ingest命令重建向量库。

性能优化建议：

• 调整RETRIEVAL_K控制检索文档数量，平衡质量与延迟；
• 限制DOC_PREVIEW_CHARS减少上下文长度；
• arXiv采集时添加--delay-seconds避免速率限制。 适用场景：学术研究、技术文档问答、报告分析、学习辅助。

langchain-pdf-rag项目展示了用现代AI工具链构建RAG应用的方法，其清晰的代码结构、灵活的配置选项和完整示例流程，为开发者提供优秀参考。无论是快速搭建文档问答系统，还是学习LangChain和LangGraph最佳实践，该项目都值得研究借鉴。