摘要

前三篇文章分别介绍了 Langflow 的项目定位、核心功能和组件源码结构。本文进入第一个完整实战案例：构建一个最小可用的 RAG Flow。

RAG 是 Retrieval-Augmented Generation 的缩写，通常译为检索增强生成。它解决的问题是：模型自身不知道或不能稳定记住某些私有知识时，先从外部知识源检索相关上下文，再把上下文交给模型生成答案。

在 Langflow 中，一个最小可用 RAG Flow 可以拆成两条链路：

文档入库链路： Read File -> Split Text -> Embeddings -> Vector Store 问答检索链路： Chat Input -> Vector Store Retrieve -> Parser -> Prompt -> Language Model -> Chat Output

本文不会只讲 RAG 原理，而是结合当前仓库中的 starter project 和组件源码，说明如何在 Langflow 中把一个 RAG Flow 搭起来、跑通、调试，并理解每个节点背后的技术实现。

读者预期

读完本文后，读者应该能够回答以下问题：

• 一个最小可用 RAG Flow 需要哪些组件。
• 文档入库链路和问答检索链路分别负责什么。
• 在 Langflow 画布中如何连