情境化您的 LLM 应用

通过 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。

借助 LangChain 内置的摄取和检索方法,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

一套完整的
RAG 构建模块

使用 LangChain 全面的集成、最先进的技术和无限的可组合性,构建一流的 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用于自定义您自己工具的直观框架。

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
此检索器检查自然语言查询,并编写结构化查询以在底层 VectorStore 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
此检索器允许您跨每个文档的多个存储向量进行查询,包括关于较小块、摘要和假设性问题的向量。
多向量检索器
此检索器允许您跨每个文档的多个存储向量进行查询,包括关于较小块、摘要和假设性问题的向量。
时间加权向量存储
将语义相似性与时间衰减相结合,以在您的检索中考虑新近度。
父文档检索器
嵌入小块(更适合相似性搜索),但检索更大的块(有助于生成)。
自查询检索器
此检索器检查自然语言查询,并编写结构化查询以在底层 VectorStore 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
此检索器允许您跨每个文档的多个存储向量进行查询,包括关于较小块、摘要和假设性问题的向量。
多向量检索器
此检索器允许您跨每个文档的多个存储向量进行查询,包括关于较小块、摘要和假设性问题的向量。
时间加权向量存储
将语义相似性与时间衰减相结合,以在您的检索中考虑新近度。
父文档检索器
嵌入小块(更适合相似性搜索),但检索更大的块(有助于生成)。
最大限度地减少编写重复内容
避免重写未更改的内容
永远不要重新计算未更改内容的嵌入

正确的摄取

LangChain Indexing API 将您的数据从任何来源同步到向量存储,帮助您节省金钱和时间。

准备好开始更快地交付可靠的 GenAI 应用了吗?

开始使用 LangChain、LangSmith 和 LangGraph,以增强您的 LLM 应用开发,从原型到生产。