1
# ===== 第1步：导入库 & 准备文档 =====
2
from langchain_community.document_loaders import PyPDFLoader
3
from langchain.text_splitter import RecursiveCharacterTextSplitter
4
from langchain_community.vectorstores import Chroma
5
from langchain_openai import OpenAIEmbeddings
6
from langchain.chains import create_retrieval_chain
7
from langchain.chains.combine_documents import create_stuff_documents_chain
8
from langchain_core.prompts import ChatPromptTemplate
9

10
# 解释：整个RAG管道分为5步：加载 → 分割 → 向量化 → 检索 → 生成
11

12
# ===== 第2步：加载文档 =====
13
loader = PyPDFLoader("你的文档.pdf")         # 支持PDF、网页、Markdown等
14
documents = loader.load()                     # 返回Document对象列表
15
# 解释：LangChain的Loader统一了各种数据源，PDF自动解析文本
16

17
# ===== 第3步：分割文本 =====
18
text_splitter = RecursiveCharacterTextSplitter(
19
    chunk_size=500,          # 每块500字符
20
    chunk_overlap=50,        # 块之间有50字符重叠，保证上下文不割裂
21
    separators=["\n\n", "\n", "。", "!", "？", " ", ""]   # 优先按段落/句号分割
22
)
23
chunks = text_splitter.split_documents(documents)
24
# 解释：chunk_size决定了检索的粒度，太大会包含无关信息，太小会丢失上下文。
25
# overlap是为了避免刚好切在关键句中间。separators优先级保证尽量在语义边界分割。
26

27
# ===== 第4步：向量化 + 存入向量库 =====
28
embedding = OpenAIEmbeddings(model="text-embedding-3-small")   # 把文本变成向量
29
vectorstore = Chroma.from_documents(                          # Chroma是本地向量库
30
    documents=chunks,
31
    embedding=embedding,
32
    persist_directory="./chroma_db"           # 持久化到磁盘，下次不用重新计算
33
)
34
# 解释：向量库把每个chunk转为高维向量，检索时把问题也转成向量，找最相似的chunk
35

36
# ===== 第5步：构建检索链 =====
37
retriever = vectorstore.as_retriever(
38
    search_type="similarity",      # 也可以mmr（最大边际相关性）增加多样性
39
    search_kwargs={"k": 4}         # 返回最相似的4个chunk
40
)
41

42
# ===== 第6步：组装RAG Chain =====
43
# 提示词模板：把检索到的context和问题组装起来
44
prompt = ChatPromptTemplate.from_template("""
45
你是一个文档问答助手，请基于以下上下文回答用户的问题。
46
如果你不知道答案，就说"我没找到相关信息"，不要编造。
47

48
上下文：
49
{context}
50

51
问题：{input}
52
""")
53

54
# combine_documents_chain：负责把检索到的多个文档合并、格式化后喂给LLM
55
combine_docs_chain = create_stuff_documents_chain(
56
    llm=chat,                    # 你的LLM实例（见速通01）
57
    prompt=prompt
58
)
59

60
# retrieval_chain：接收问题 → 自动检索 → 传给combine_docs_chain
61
rag_chain = create_retrieval_chain(retriever, combine_docs_chain)
62

63
# ===== 第7步：查询 =====
64
result = rag_chain.invoke({"input": "ReAct模式是什么？"})
65
print(result["answer"])
66
# 解释：invoke后，内部自动完成：检索4个chunk → 合成prompt → 调用LLM → 生成回答