从零开始做一个语义搜索引擎：基于LangChain与Qdrant的实战指南

在 AI 应用中，检索增强生成（RAG）已成为提升大模型能力的核心手段。

在进入 RAG 正式搭建之前，我们先来学一个基础但超有用的技能：语义搜索。

与传统的关键词匹配不同，语义搜索会根据“意思”而不是“字面”去检索文档。这样，即使你的查询语言不同（比如用中文搜英文文档），也能找到相关内容。

本文带你一步步构建一个针对 PDF 文档的语义搜索引擎，核心流程如下：

1️⃣ 文档加载：让 PDF 进入 AI 世界

LangChain 提供了Document Loader抽象接口，可以轻松把各种数据源导入 AI 应用。
我们用PyMuPDF4LLMLoader来加载 PDF：

• 每页会变成一个Document对象

• metadata 会记录文件名、页码等信息

安装方法：

pipinstalllangchain-pymupdf4llm

2️⃣ 文本切分：让语义更精准

一页的内容通常太多，不利于精准匹配。
我们用RecursiveCharacterTextSplitter把文档切成：

• 每段1000 字符

• 段与段之间200 字符重叠

• 保留原始位置索引（方便溯源）

这样能避免切断重要上下文，提高检索效果。

3️⃣ 生成向量：把文字变成“数学坐标”

语义搜索的核心思想是：

把文本转换为向量（Embedding），再通过向量相似度进行匹配。

这里我们使用阿里云 DashScope的text-embedding-v4模型：

生成后的向量可以直接进行相似度比较（如余弦相似度）。

4️⃣ 向量存储：用 Qdrant 管理语义信息

有了向量，就需要一个“语义数据库”来存放它们。
我们选择Qdrant：

• 高效存储

• 支持相似度搜索

• 可视化 UI
  

创建集合、批量写入向量后，就能通过 Qdrant 的搜索功能快速找到相关内容。

5️⃣ 检索器（Retriever）：让搜索更智能

LangChain 提供统一的Retriever接口，把底层的向量数据库封装成可直接调用的检索工具。

支持多种模式：

• similarity：相似度最高的结果

• mmr：兼顾相关性和多样性

• similarity_score_threshold：设定相似度门槛

这样，你就能轻松将它与RAG 应用结合，实现“先检索，再生成”的强大功能。

🔚 总结

通过以上 5 步，我们就能从零搭建一个PDF 语义搜索引擎，实现跨语言、高语义精度的文档查询。

下一步，把它和 LLM 结合起来，你就能做出一个智能问答系统——比如，直接用中文问“耐克在美国有多少配送中心？”，系统就能帮你从英文财报中找答案。