用 LangGraph 打造了一个迷你 RAG：150 行代码跑通知识库问答 - 链载Ai

你是不是厌倦了在低代码平台上，拖拉拽一通操作搭建RAG系统？是不是想深入学习RAG，自己实现RAG的每一个步骤？今天我们将用最精简的方式，带你从零实现一个完整的RAG系统！通过LangChain+LangGraph实战，深入拆解RAG的每个核心模块，告别"黑箱"操作，真正理解检索增强生成的运行机制。

速览 MiniRAG

体积：不到 150 行核心代码

向量存储：PGVector，一个 Docker 命令搞定

嵌入 & 重排：直接调用 SiliconFlow API，无需本地 GPU

编排：LangGraph 工作流，像拼乐高一样搭链路

RAG流程图：

项目结构

├── .env          # 环境变量配置
├── README.md        # 项目说明
├── demo_embedding.py    # 文档嵌入示例
├── demo_minirag.py     # 问答系统示例
├── src/
│  ├── config.py      # 配置加载
│  ├── embedding.py    # 嵌入逻辑
│  ├── prompts.py     # 提示词模板
│  ├── reranker.py     # 重排序逻辑
│  └── workflow.py     # 工作流定义

麻雀虽小，五脏俱全

模块	说明	对应文件
文档读取 & 分块	支持 4 种格式，自动按 1024token 切片	`src/embedding.py`
向量存储	PGVector 存储嵌入	Docker 容器
检索 & 重排	先用向量召回 Top-10 * n，再用 Reranker 取 Top-5	`src/reranker.py`
提示词模板	自带中文模板，可自定义 system prompt	`src/prompts.py`
工作流	LangGraph 可视化 DAG，方便加日志、重试	`src/workflow.py`

15行代码快速测试

文档嵌入，运行demo_embedding.py

fromsrc.embeddingimportload_and_chunk
load_and_chunk(
  file_path =r"E:\vanna_technical_article.md",
  separator ="\n\n",
  chunk_size =1024,
  chunk_overlap =80
)

知识问答，运行demo_minirag.py

fromsrc.workflowimportMiniRag
minirag = MiniRag()
query ="怎么使用Vanna实现chatBI"
chunks = []
forchunkinminirag.invoke(query):
  chunks.append(chunk)
print(chunks)