RAG 代码化：拆开 Dify 的黑盒

Dify 篇你拖拽过知识库，这一章用代码重做一遍——看看平台替你做了什么。

Dify 帮你藏了什么

Dify 把五步包装成了三步拖拽。代码化不是「更难」，是把控制权拿回来。

用 LangChain 写一个最小 RAG

第一步：文档分段

import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";

const splitter = new RecursiveCharacterTextSplitter({
  chunkSize: 1000,      // 每段最多 1000 字符
  chunkOverlap: 200,    // 段间重叠 200 字符，防止语义被切断
});

const chunks = await splitter.splitDocuments(docs);
// 结果：[{ pageContent: "第一段…", metadata: { source: "faq.md" } }, …]

为什么需要分段？ Embedding 模型对短文本效果更好（一段话算一个向量，比整篇文档算一个向量精准）。分段是检索质量的基础。

为什么要重叠？ 如果一个答案恰好跨两个段落的边界，重叠区能保证至少有一个完整的段包含它。

第二步：Embedding + 向量库

import { OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "langchain/vectorstores/memory";

const embeddings = new OpenAIEmbeddings({
  openAIApiKey: process.env.DEEPSEEK_API_KEY,
  modelName: "text-embedding-v3",
});

// 内存向量库（开发用；生产换 PGVector / Milvus）
const vectorStore = await MemoryVectorStore.fromDocuments(chunks, embeddings);

Embedding 做的事：把每段文字变成一个高维向量（如 1536 维），语义相近的段落在向量空间中距离也近。

第三步：检索链

import { RetrievalQAChain } from "langchain/chains";
import { ChatOpenAI } from "@langchain/openai";

const llm = new ChatOpenAI({ modelName: "deepseek-chat" });

const chain = RetrievalQAChain.fromLLM(llm, vectorStore.asRetriever({
  k: 3,  // 取最相似的前 3 段
}));

const answer = await chain.invoke({
  query: "盐焗鸡能放几天？",
});

这行代码内部做了什么：

1. 把「盐焗鸡能放几天？」计算成向量
2. 在向量库里找到最相似的 3 段
3. 把这 3 段拼进 Prompt：「以下是参考资料：… 请基于资料回答」
4. 调用 LLM 生成回答

Dify vs 代码的取舍

维度	Dify	LangChain 代码
上手速度	30 分钟	半天
分段策略	固定（自动 + 自定义分隔符）	完全可控（Recursive/Token/Markdown）
Embedding 模型	内置几种	任意（OpenAI/本地/免费）
向量库	内置	任意（PGVector/Milvus/Qdrant/Memory）
检索策略	Top-K	Top-K + MMR + 过滤 + 重排
调试	黑盒（只能看最终回答）	透明（每一步都能打日志）
部署	平台托管	你的服务器

经验法则：原型用 Dify，产品用代码。Dify 帮你快速验证「RAG 能不能解决这个问题」，代码帮你在验证后做深度优化。

本章要点

1. Dify 的三步拖拽底下是五步：分段 → Embedding → 存储 → 检索 → 拼 Prompt
2. 分段是检索质量的基础——chunkSize 和 overlap 直接影响召回率
3. Embedding 把文字变成向量，语义相近 = 距离相近
4. RetrievalQAChain 一行代码完成检索+生成，但内部每一步都可替换
5. 原型用 Dify，产品用代码——先验证可行性，再拿回控制权

→ 下一章：MCP 协议