LangChain 学习笔记 · Day 12 RAG Pipeline（检索 + LLM）

🎯 学习目标

1. 理解 RAG（Retrieval-Augmented Generation） 的完整流程\
2. 掌握 Retriever + LLMChain 的组合方式\
3. 实战：构建一个 企业知识库问答 Demo

🔹 1. 什么是 RAG Pipeline？

RAG = 检索 (Retriever) + 生成 (LLM)

流程图：

用户问题 → 向量化 → 相似度检索（Retriever） → 上下文 → LLM 回答

• Retriever：从向量数据库（如 Chroma）里找到最相关的文档片段\
• LLM：基于检索到的上下文生成答案\
• Pipeline：把检索和生成组合成一个整体

👉 优点： - 减少幻觉：模型只会基于上下文回答\

• 可溯源：答案能附带出处（metadata）\
• 知识增强：接入企业私有知识库

🔹 2. Demo：企业知识库问答

代码示例

# file: day12_rag_pipeline.py
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import RetrievalQA

# 1) 初始化 LLM
llm = ChatOpenAI(model="kimi-k2-0711-preview", temperature=0.2)

# 2) 加载向量数据库
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
db = Chroma(persist_directory="./chroma_store", embedding_function=embeddings)

# 3) 构建 Retriever
retriever = db.as_retriever(search_kwargs={"k": 3})

# 4) 定义 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是企业知识助手，只能基于上下文回答问题。若无法确定，请回答：根据提供的上下文无法确定。"),
    ("user", "问题：{question}\n\n上下文：{context}")
])

# 5) 构建 RAG Pipeline
qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt}
)

if __name__ == "__main__":
    question = "公司年假政策是怎样的？"
    answer = qa.invoke({"query": question})
    print("Q:", question)
    print("A:", answer["result"])

输出示例

Q: 公司年假政策是怎样的？
A: 根据提供的上下文，员工在工作满一年后可享受 10 天带薪年假。【来源：员工手册·第3章】

🔹 3. 知识库支持多格式文件

为了实现"企业知识库"，我们通常需要把 PDF / Word / Markdown / Excel 等文档统一加载进数据库：

• .pdf → PyPDFLoader\
• .docx → Docx2txtLoader\
• .md / .txt → TextLoader\
• .xlsx → pandas + Document 或 UnstructuredExcelLoader

👉 这样能让员工通过自然语言直接问："公司差旅报销标准是什么？" → LLM 自动检索规章制度 → 给出准确答案。

✅ 今日收获

• RAG = Retriever + LLM 的结合，解决幻觉问题\
• 学会用 RetrievalQA 快速搭建 RAG Pipeline\
• Demo：实现一个 企业知识库问答助手（带引用）

⏭️ Day 13 展望

• 学习如何融合 多数据源（PDF + 网页 + 数据库）\
• Demo：构建一个 混合问答系统