用 LangGraph 打造了一个迷你 RAG：150 行代码跑通知识库问答

你是不是厌倦了在低代码平台上，拖拉拽一通操作搭建RAG系统？是不是想深入学习RAG，自己实现RAG的每一个步骤？今天我们将用最精简的方式，带你从零实现一个完整的RAG系统！通过LangChain+LangGraph实战，深入拆解RAG的每个核心模块，告别"黑箱"操作，真正理解检索增强生成的运行机制。

速览 MiniRAG

体积：不到 150 行核心代码

向量存储：PGVector，一个 Docker 命令搞定

嵌入 & 重排：直接调用 SiliconFlow API，无需本地 GPU

编排：LangGraph 工作流，像拼乐高一样搭链路

RAG流程图：

项目结构

├── .env                    # 环境变量配置
├── README.md               # 项目说明
├── demo_embedding.py       # 文档嵌入示例
├── demo_minirag.py         # 问答系统示例
├── src/
│   ├── config.py           # 配置加载
│   ├── embedding.py        # 嵌入逻辑
│   ├── prompts.py          # 提示词模板
│   ├── reranker.py         # 重排序逻辑
│   └── workflow.py         # 工作流定义

麻雀虽小，五脏俱全

15行代码快速测试

文档嵌入，运行demo_embedding.py

from src.embedding import load_and_chunk
load_and_chunk(
    file_path = r"E:\vanna_technical_article.md",
    separator = "\n\n", 
    chunk_size = 1024, 
    chunk_overlap = 80
)

知识问答，运行demo_minirag.py

from src.workflow import MiniRag
minirag = MiniRag()
query = "怎么使用Vanna实现chatBI"
chunks = []
for chunk in minirag.invoke(query):
    chunks.append(chunk)
print(chunks)