LangChain 从入门到实战（07）：让它「读」你的私有文档——检索增强 RAG（上）模型再强，也只学过公开数据；你的公司文档、产品手册、用户手册，它一概不知。这一篇开始处理让模型「看得见你的私有知识」。RAG（Retrieval-Augmented Generation，检索增强生成）是眼下最主流的做法：先检索相关资料，再让模型基于资料回答，绕开「重训练一个模型」。RAG 分两半，这一篇讲**「建库」上半场**：把文档切成小块 → 向量化 → 存进向量库。下一篇讲**「问答」下半场**：检索 + 生成，让模型引用你的资料作答。一、RAG 全程只有 4 步步骤A 加载 → 步骤B 切分文档 → 步骤C 向量化(Embedding) → 步骤D 存进向量库 ↓ 步骤E 提问时: 把问题向量化 → 向量库捞出最相近的 N 小块 → 拼进 prompt → 模型作答前 4 步是一次性离线流程（建库），后 1 步是每次问答的在线流程。这一篇讲 A–D，下一篇讲 E。二、A 加载：DocumentLoader读出原始文档文档可能来自文件、PDF、网页、数据库。LangChain 有一族