为您的 LLM 应用提供上下文

LangChain 的检索增强生成 (RAG) 将您的公司数据连接到 LLM 的强大功能。

使用 Python 开始使用 JavaScript 开始

借助 LangChain 的内置摄取和检索方法，开发人员可以使用公司或用户数据来增强 LLM 的知识。

150+

001

文档加载器

60+

002

向量存储

50+

003

嵌入模型

40+

004

检索器

一整套
RAG 构建块

使用 LangChain 的全面集成、最先进的技术和无限的组合能力来构建最佳的 RAG 系统。

查看集成

您的检索用例所需的数据连接和基础设施

LangChain 提供了广泛的现成工具库和一个直观的框架，用于自定义您自己的工具。

适用于任何类型数据的文档加载器。

提供更高精度和结果的检索算法

自查询检索器
该检索器检查自然语言查询并编写结构化查询以在底层向量存储上运行。
上下文压缩
使用查询的上下文压缩检索到的文档，以便仅返回源中相关的信息。
多向量检索器
此检索器允许您跨多个存储向量（每个文档）进行查询，包括较小块、摘要和假设性问题。
多向量检索器
此检索器允许您跨多个存储向量（每个文档）进行查询，包括较小块、摘要和假设性问题。
时间加权向量存储
将语义相似性与时间衰减结合起来，以在检索中考虑最新性。
转到文档
父文档检索器
嵌入小块（更适合相似性搜索），但检索大块（有助于生成）。
转到文档
自查询检索器
该检索器检查自然语言查询并编写结构化查询以在底层向量存储上运行。
上下文压缩
使用查询的上下文压缩检索到的文档，以便仅返回源中相关的信息。
多向量检索器
此检索器允许您跨多个存储向量（每个文档）进行查询，包括较小块、摘要和假设性问题。
多向量检索器
此检索器允许您跨多个存储向量（每个文档）进行查询，包括较小块、摘要和假设性问题。
时间加权向量存储
将语义相似性与时间衰减结合起来，以在检索中考虑最新性。
转到文档
父文档检索器
嵌入小块（更适合相似性搜索），但检索大块（有助于生成）。
转到文档
最大限度地减少编写重复内容
避免重新编写未更改的内容
从不重新计算未更改内容的嵌入

正确的摄取

LangChain 索引 API 将您的数据从任何来源同步到向量存储中，帮助您节省资金和时间。

LangSmith 评估资源

教程

RAG 视频系列

博客

解构 RAG

演示

从头开始构建研究助手

有兴趣成为 LangChain 大使吗？

从举办聚会、建立数字社区或创建教育内容开始——然后在我们的社区 Slack 上与我们分享！

获取演示免费注册