langchain 快速入门(三)：搭建RAG知识库
简介LLM大模型一般训练的数据都是滞后的，这是就需要用到RAG知识库，RAG知识库可以降低大模型在输出答案时的幻觉，也能够让大模型知识拓展。
知识库架构知识
检索流程图
用户输入 (User Query)
|
v
+-----------------------+
| 提示词 (Prompt) |
+-----------------------+
|
| (1) 转化为向量 (Embedding)
v
+-----------------------+
| 文字向量模型 (EMB) |
+-----------------------+
|
| (2) 相似度检索 (Search)
v
+-----------------------+ +-----------------------+
|RAG 向量数据库 (DB) | <-----> | 本地知识库/文档集 |
+-----------------------+ +-----------------------+
|
| (3) 召回相关片段 (Context)
v
+-----------------------+
| 大语言模型 (LLM) | <--- (将提示词与背景片段拼接)
+-----------------------+
|
| (4) 最终生成 (Generation)
v
+-----------------------+
| 输出结果 |
+-----------------------+代码解释
代码的流程如下：
[*]初始化RAG：文本切片->文本向量模型->构建向量数据库
[*]询问ai：提示词->文本向量模型->向量数据库检索->组合prompt->喂给LLM->回答问题->记录历史对话
文本切片
from operator import itemgetter
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.documents import Document
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage, AIMessage
from sqlalchemy import true
#apikey
os.environ["DASHSCOPE_API_KEY"] = "你的apikey"
FAISS_PATH = "my_faiss_index"
raw_text = """
【公司内部机密：代号“深蓝计划”】
1. 项目目标：开发一款能听懂猫语的翻译器。
2. 核心技术：基于Transformer的“喵声波”分析算法。
3. 团队暗号：如果有人问“今天天气怎么样？”，必须回答“我想吃鱼”。
4. 截止日期：2026年12月31日。
5. 经费预算：仅剩50元人民币，主要用于购买猫条。
"""
#初始化文本
docs =
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=20)
split_docs = text_splitter.split_documents(docs)
#初始化模型
llm = ChatTongyi(model="qwen-plus")
embeddings = DashScopeEmbeddings(model="text-embedding-v1")
#创建向量数据库
if os.path.exists(FAISS_PATH):
print("向量数据库已存在")
ragdb = FAISS.load_local(FAISS_PATH, embeddings, allow_dangerous_deserialization=True)
else:
print("创建向量数据库")
ragdb = FAISS.from_documents(split_docs, embeddings)
ragdb.save_local(FAISS_PATH)
#构建提示词chain
def format_docs(docs):
return "\n\n".join(doc.page_content for doc in docs)
final_prompt = ChatPromptTemplate.from_messages([
("system", """
你是一个专业的问答助手，你的任务是根据上下文简洁的回答用户的问题。
<context>
{context}
</context>
"""),
MessagesPlaceholder(variable_name="history"),
("human", "{input}")
])
chain = (
#查询rag
RunnablePassthrough.assign(
context = itemgetter("input") | ragdb.as_retriever() | format_docs
)
| RunnablePassthrough.assign(
answer = {"input":itemgetter("input"), "context":itemgetter("context"), "history":itemgetter("history")} | final_prompt | llm | StrOutputParser()
)
)
history = []
while true:
input_q = input("我：")
respond = chain.invoke({
"input": input_q,
"history": history})
print("answer:" + respond["answer"])
print("=="*30)
history.append(HumanMessage(content=input_q))
history.append(AIMessage(content=respond['answer']))这里利用了langchain提供的文本分词器RecursiveCharacterTextSplitter（递归分词）
构建向量数据库
docs =
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=20)
split_docs = text_splitter.split_documents(docs)这部分要注意：新版FAISS读取现有数据库要设置：allow_dangerous_deserialization=True，不然会报错
提示词模板
llm = ChatTongyi(model="qwen-plus")
embeddings = DashScopeEmbeddings(model="text-embedding-v1")
#创建向量数据库
if os.path.exists(FAISS_PATH):
print("向量数据库已存在")
ragdb = FAISS.load_local(FAISS_PATH, embeddings, allow_dangerous_deserialization=True)
else:
print("创建向量数据库")
ragdb = FAISS.from_documents(split_docs, embeddings)
ragdb.save_local(FAISS_PATH)之前没有讲到历史对话记录，这次补充下：
MessagesPlaceholder这个是langchain框架的占位符（其实是框架写好了prompt模板，告诉ai这个是历史对话），使用时将历史对话记录的数组放在这里设置的字段中，在添加历史对话时要使用相关的类进行声明对话（告诉ai这句话是ai说的还是用户说的）
final_prompt = ChatPromptTemplate.from_messages([
("system", """
你是一个专业的问答助手，你的任务是根据上下文简洁的回答用户的问题。
<context>
{context}
</context>
"""),
MessagesPlaceholder(variable_name="history"),
("human", "{input}")
])Chain链的解释（核心逻辑）
history.append(HumanMessage(content=input_q))
history.append(AIMessage(content=respond['answer']))Chain链流程：
[*]查询RAG的chain：获取input字段->内容交给向量数据库检索->将检索的内容(数组)转换为字符串格式->保存到context字段并传递给下一个任务
[*]询问LLM的chain：获取input,context,history字段->填充上面定义的prompt模板->喂给LLM模型->解析成文本并保存在answer字段
itemgetter是获取上一个任务传递过来的字段内容。
如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ 过来提前占个楼 用心讨论，共获提升！ 分享、互助 让互联网精神温暖你我 感谢分享，学习下。 感谢分享，下载保存了，貌似很强大 谢谢楼主提供！ 谢谢楼主提供！ 这个好，看起来很实用 喜欢鼓捣这些软件，现在用得少，谢谢分享！ 不错，里面软件多更新就更好了 懂技术并乐意极积无私分享的人越来越少。珍惜 感谢发布原创作品，程序园因你更精彩 新版吗？好像是停更了吧。 谢谢分享，辛苦了 收藏一下 不知道什么时候能用到 东西不错很实用谢谢分享 不错，里面软件多更新就更好了 热心回复！ 前排留名，哈哈哈
页:
[1]
2