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： 2108

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

2026-05-06

刚刚，GPT-5.5 Instant全员免费！数亿人的ChatGPT变了

2026-05-06

M365 Copilot ：App Builder 它不仅是单次代码生成

2026-05-06

GPT-5.5 Instant 来了，但这次重点不是“更强”，而是“更像人”

2026-05-06

四大科技公司财报后：AI产业深度观察

2026-05-05

OpenAI 「实时语音」架构首次公开

2026-05-04

打造Claude Code的宝藏经验！提示缓存就是一切

2026-05-04

Apple Silicon 上本地跑 LLM，速度直接甩 Ollama 几条街

2026-05-03

奥特曼：Codex 正在经历 ChatGPT 时刻。这是要起飞了

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

Claude Opus 4.7刚刚曝光！Claude Code一夜重构，7x24小时替你打工

2026-04-15

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

2026年国内如何注册 Claude 账号教程

2026-03-13

豆包 2.0 模型发布，全信息整理（全网最完整，另附 79 页 Model Card）

2026-02-14

独家| DeepSeek-V4终于要来了：梁文锋憋半年大招，多模态+长期记忆全面破局

2026-03-17

全网最详细的Codex入门教程，手把手教你玩转Vibe Coding。

2026-02-09

香港终于能直接用 Gemini 了，内地用户能用上吗？

2026-03-17

OpenAI Codex CLI 完整使用指南

2026-04-07

编程选GPT-5.4，还是GPT-5.3-Codex？

2026-03-21

全球首个 AI 进化网络 EvoMap，给 Agent 装上 DNA

2026-02-20

大家都在问

「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能「扛活儿」了？

2026-04-26

本体化语义层，会是 AI 数据平台的新地基吗？

2026-04-22

设计行业的“棺材板”，要被Claude Design盖上了？

2026-04-18

当所有人都不写代码了，谁来看懂代码？

2026-04-13

什么场景该用 AI Native？

2026-04-12

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

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