Langflow RAG教程2026：用可视化节点做文档问答
通用Langflow演示止步于聊天机器人。这篇教程聚焦对业务真正重要的部分：把自己的文档喂进可视化RAG流水线，得到带引用的答案。
💡 你将学到
通用Langflow演示止步于聊天机器人。这篇教程聚焦对业务真正重要的部分：把自己的文档喂进可视化RAG流水线，得到带引用的答案。
RAG是文档问题，不是聊天问题
演示聊天机器人和有用RAG系统的区别在文档层：文件怎么变成块、块怎么变成向量、检索到的块怎么带来源还给用户。Langflow（153,059星，2026-08-12获取）三个环节都能可视化处理。
文档层逐节点拆
Loader节点：Langflow自带PDF、DOCX、TXT、URL等加载器。面对脏乱的真实PDF，带OCR的加载器是垃圾文本和可用文本的分界线。
切块决策：RAG质量在此定胜负。Langflow里两个选项——递归切分器按段落再按句子切，散文类文档的好默认；语义切分先embed候选块、在相似度下降处切，混合文档更好但更慢。
Embeddings：英文文档任意现代embed模型都行；语料混语言必须选多语模型——这是RAG里最常见的静默失败。
带引用的查询侧
Retriever节点k=4-6；Prompt节点强制引用：'用编号引用回答，上下文没有就说没有'；再加一个分支把检索到的块格式化成'来源'列表，UI就能展示每条答案来自哪里。这个来源格式化分支就是企业RAG和玩具demo的分界线——用户需要自己验证答案。
大家都跳过的评估步骤
上线前，用20个真实用户问题测试，检查：答案是不是来自正确的块？Langflow内置playground可以查看每个问题检索到了哪些块。先修检索（切块、k值、embed模型），再修提示词。
真实数字
典型小企业RAG（200个PDF、约50万词）跑起来很轻松：Chroma当向量库、便宜embed API、中档LLM。每月API费用通常不到30美元——这就是为什么文档问答是2026年最被采用的RAG场景。
FAQ
怎么让答案带引用？ 提示词里要求编号引用，加一个把检索块渲染成来源列表的分支。 什么chunk size最好？ 业务文档500-1000字符、10-20%重叠是安全起点，用真实问题调。 能处理扫描PDF吗？ 能，用带OCR的加载器，摄入会变慢。
