前言
既然是学习langchain，那么最好的学习路径就是按照官方文档上开始学，后续文章也会按照这里学习下去。
本文从Semantic search 语义搜索开始学习。
编码
本文主要阐释了经典的 RAG（检索增强生成）架构中的"数据入库"部分，找个比较简单的PDF来测试，我这里找了我自己的一份体检报告PDF来用。放到了项目中，目录结构如下图
先安装pdf处理的插件pypdf，它提供了pdf文件的解析功能。
pip install pypdf
代码：
1.读取pdf
from langchain_community.document_loaders import PyPDFLoader
file_path = 'test4/tjbg.pdf'
loader = PyPDFLoader(file_path)
docs =loader.load()
2.分割文本
from langchain_text_splitters import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(
chunk_size = 300, #每块token/chunk size越小，块越多
chunk_overlap = 50, #重叠部分
separators = "\\n\\n", "\\n", "。", # 强制按行切分
add_start_index = True
)
all_splits = text_splitter.split_documents(docs)
3.向量化
from langchain_ollama import OllamaEmbeddings
embeddings = OllamaEmbeddings(
model="qwen3-embedding:4b",
base_url="http://172.23.2.18:11434")
4.向量库存储
from langchain_chroma import Chroma
vector_store=Chroma(
collection_name="test",
embedding_function=embeddings,
persist_directory="./chroma_langchain_db"
)
ids = vector_store.add_documents(documents=all_splits)
print(f"成功保存 {len(ids)} 个文档分片到 Chroma。")
运行结果：
解释
说说这段代码干了什么：
1.加载阶段
loader = PyPDFLoader(file_path)
docs =loader.load()
PyPDFLoader 像是一个扫描仪。它打开 PDF，读取每一页的内容、字体和元数据，并将其转化为 LangChain 能够理解的 Document 对象。
原始 PDF 是二进制格式，计算机很难直接"阅读"其中的语义。这一步将其提取为纯文本。
- 切分阶段
text_splitter = RecursiveCharacterTextSplitter(
chunk_size = 300,
chunk_overlap = 50,
separators = "\\n\\n", "\\n", "。"
)
把长篇大论的文档切成 300 字左右的小段（Chunks）
chunk_overlap (50)：每一段都会包含上一段末尾的 50 个字。这非常重要，它可以防止上下文在切分点被强行切断（比如一句话断成两半，AI 就看不懂了）。
separators：因为我的文档是体检报告，所以优先按段落切，其次按行切，最后按句号切，保证语义完整。
- 向量化阶段
embeding = OllamaEmbeddings(model="qwen3-embedding:4b")
这里是最重要的一步。Embedding 模型会将每一段文字转化成一串数字列表（向量）。
它把文字投影到一个高维空间中。意思相近的句子（例如"心率偏快"和"脉搏跳动迅速"），在这个空间里的距离会非常接近。
因为电脑不认识汉字，但擅长算数。有了坐标，我们就能通过数学计算找到"最相关"的内容。
- 存储阶段
vector_store = Chroma(
collection_name="test",
embedding_function=embeding,
persist_directory="./chroma_langchain_db"
)
ids = vector_store.add_documents(documents=all_splits)
Chroma 是一个专门存储向量的数据库。不仅存下了你切好的文字，还存下了对应的"坐标"（向量）。
为了实现快速检索。当你问"这份报告的心率正常吗？"时，程序会把你的问题也变成坐标，然后在数据库里瞬间找出离这个坐标最近的几个文本块。