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。

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：

pip install langchain-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

https://github.com/realyinchen/AgenticRAG

课程的文字版将发布在我的知识星球：

如果你对提示工程感兴趣，可以进入微信公众号主页，进入【提示工程】专栏：