我要投稿

从零开始做一个语义搜索引擎：基于LangChain与Qdrant的实战指南

发布日期：2025-08-23 22:25:14 浏览次数： 2064

作者：PyTorch研习社

微信搜一搜，关注“PyTorch研习社”

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：

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

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。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-04-11

那个“爱马仕”，想拯救“智障”小龙虾

2026-04-10

重磅！Anthropic官方Harnerss发布了！

2026-04-10

刚刚，100 美金的 ChatGPT 来了

2026-04-09

技术教科书：顶级开发团队设计的Harness工程项目源码什么样

2026-04-09

Anthropic 官方 Harness 发布：全面解读 Managed Agents

2026-04-09

SDD-RIPER 团队落地指南：如何让整个团队在一周内跑通大模型编程

2026-04-09

Claude Managed Agents 公测发布！Agent 开发成本直降 500 倍

2026-04-09

Anthropic 今天发了一个新产品，可能会让一批做 AI 智能体基础设施的团队失业

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Pencil：设计和写代码，以后就全让AI干了

2026-01-24

从0到1玩转Clawdbot：我花了40小时，把这些坑都踩完了

2026-01-26

深度解析——为什么Claude code CEO Dario 如此反中？

2026-01-23

刚刚Qwen 3.6 Plus上线预览：1M上下文，阿里Coding/Agent翻身战打响

2026-03-31

不会封号的Claude Code使用方法！已稳定测试一个月，还能共享给团队。

2026-01-14

2026年国内如何注册 Claude 账号教程

2026-03-13

我装了 9 个 Skill，终于看懂了 Google Antigravity 的野心

2026-01-21

Codex 独立 App 来了，这是一个新东西

2026-02-03

OpenAI 发布新的 Codex 桌面版，我现在不骂 Codex 难用了

2026-02-03

谷歌重大更新：国内手动开启 Gemini AI 侧边栏与 Auto Browse 自动浏览全攻略

2026-02-03

大家都在问

12MB的Go二进制，让AI操控浏览器只花800 tokens，PinchTab凭什么这么省？

2026-04-07

华为AI 49元/月！贵？不贵？

2026-04-01

为什么这波 AI 产品都开始抢着做 CLI ？

2026-03-31

Harness Engineering 来了，SDD 还有意义吗？

2026-03-31

OpenAI不会干黄了吧？

2026-03-22

专访OpenAI首席科学家：我们离“AI自己做研究”有多远？

2026-03-22

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

真实测评MiniMax M2.7，不吹不夸，它到底什么水平？

2026-03-20

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean Openclaw