Langchain 的 CSVLoader 默认将除 metadata_columns 外的所有列拼接为文本作为 Document 的 page_content，这才是实际被嵌入模型向量化的部分；metadata_columns 仅保留在元数据中，不参与向量化。
langchain 的 csvloader 默认将除 `metadata_columns` 外的所有列拼接为文本作为 document 的 `page_content`，这才是实际被嵌入模型向量化的部分；`metadata_columns` 仅保留在元数据中，不参与向量化。
Langchain 的 CSVLoader 是一个便捷的结构化数据加载器，但其向量化行为常被误解——尤其当检索效果不佳时，开发者容易误判是 Embedding 或向量库（如 Pinecone）的问题，而实际根源往往在于文档内容构造逻辑本身。
关键事实如下：
✅ CSVLoader 不会自动选择某一列（如 col1）作为默认向量化字段；
✅ 它会将所有非 metadata_columns 的列，按原始 CSV 行顺序拼接成一段结构化文本，赋值给 Document.page_content；
✅ 该 page_content 才是后续 text_splitter 切分、Embedding 模型编码、最终写入向量库的唯一内容源；
❌ metadata_columns 中指定的列（如 'col2', 'col3' 等）完全不会出现在 page_content 中，仅以键值对形式存于 doc.metadata，不参与任何向量化流程。
例如，若 CSV 文件含列 ['col1', 'col2', 'col3', 'col4', 'col5']，且你设置：
loader = CSVLoader(file_path=file, metadata_columns=['col2', 'col3', 'col4', 'col5'])
则每一行生成的 Document.page_content 将形如：
col1: value_of_col1
（因为 col2–col5 全被排除在拼接逻辑之外，仅剩 col1）
但如果 CSV 实际列名为 ['id', 'title', 'content', 'author', 'date']，而你错误地将 ['title', 'author'] 设为 metadata_columns，却期望 content 列被向量化——此时 page_content 将是：
id: 123 content: 这是一篇关于机器学习的深度技术文章... date: 2024-05-20
即：所有非元数据列都会被保留并拼接，而非仅首列。
? 验证方法（强烈推荐）：
在加载后立即检查前几条文档内容，确认实际向量化的文本是否符合预期：
loader = CSVLoader(file_path="data.csv", metadata_columns=['col2', 'col3'])
docs = loader.load()
# 查看第一条文档的原始内容与元数据
print("Page content (vectorized):")
print(repr(docs[0].page_content)) # ← 这才是被嵌入的文本
print("\nMetadata (NOT vectorized):")
print(docs[0].metadata)
⚠️ 注意事项：
- 若 CSV 包含大量空值或非文本列（如 ID、时间戳），拼接后可能引入噪声，建议预处理或显式筛选有效文本列；
- 如需仅向量化特定列（如只用 'content' 列），应自定义 Loader 或使用 csv.DictReader + 手动构建 Document，而非依赖 metadata_columns 的“排除法”；
- RecursiveCharacterTextSplitter 对结构化拼接文本（如 "key: value"）切分效果有限，可考虑先清洗、再按语义段落拆分，或改用 HTMLHeaderTextSplitter 等更适配的切分器。
总结：Langchain CSVLoader 的向量化对象始终是 Document.page_content，而它的生成逻辑明确且透明——排除 metadata_columns 后，将剩余所有列以 "{key}: {value}" 格式换行拼接。排查检索效果差的第一步，永远是 print(docs[0].page_content)，而非调参或换模型。
