🌟 LangChain 30 天保姆级教程 · Day 18｜RAG 终极整合！用 RetrievalQA 构建企业级问答系统，支持引用溯源！

Csvn
4 阅读4分钟

系列目标：30 天从 LangChain 入门到企业级部署
今日任务：理解 RAG 工作流 → 掌握 RetrievalQA 链 → 实现“检索 + 生成 + 引用标注”三位一体问答系统！

🔗 一、RAG 是什么？为什么重要？

RAG = Retrieval-Augmented Generation（检索增强生成）

传统 LLM 的问题：

  • ❌ 知识截止（如 Qwen 训练数据止于 2024）
  • ❌ 幻觉（编造公司政策）
  • ❌ 无法访问私有数据

RAG 的解决方案：

  1. 检索：从你的知识库（PDF/数据库等）找出相关片段
  2. 增强：将片段作为上下文注入 Prompt
  3. 生成：LLM 基于真实资料回答，减少幻觉

✅ 今天，我们就用 LangChain 的 RetrievalQA Chain，5 行代码构建 RAG 系统！

🧱 二、RAG 核心组件回顾

表格

组件来源
文档加载Day 16（PDF/Word/网页）
向量存储Day 17（Chroma + nomic-embed-text）
LLMOllama + Qwen（本地运行）
检索链今日主角：RetrievalQA

💡 所有组件均已就绪，只需“拼装”！

🛠️ 三、动手实践：构建端到端 RAG 问答系统

步骤 1：加载已有的 Chroma 向量库

# day18_rag_qa.py
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings, ChatOllama

# 加载 Embedding 模型
embeddings = OllamaEmbeddings(model="nomic-embed-text")

# 加载持久化的向量库（来自 Day 17）
vectorstore = Chroma(
    persist_directory="./chroma_db",
    embedding_function=embeddings
)

步骤 2：创建检索器（Retriever）

# 创建检索器，返回最相关的 3 个片段
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 3}
)

🔍 可选 search_type="mmr"（最大边际相关性），提升多样性。

步骤 3：初始化 LLM

# 使用 Qwen 7B 生成答案
llm = ChatOllama(
    model="qwen:7b",
    temperature=0,
    streaming=True  # 支持流式输出（Day 15）
)

步骤 4：构建 RetrievalQA Chain

from langchain.chains import RetrievalQA

# 创建 RAG 链
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",        # 将所有检索结果塞入 prompt
    retriever=retriever,
    return_source_documents=True  # 关键！返回引用来源
)

📌 chain_type 选项：

  • "stuff"：适合短文档（默认）
  • "map_reduce" / "refine"：适合长文档（Day 22 讲）

步骤 5：提问并查看带引用的回答

query = "员工年假最多可以休多少天？"

result = qa_chain.invoke({"query": query})

print("🤖 AI 回答：")
print(result["result"])

print("\n📚 引用来源：")
for i, doc in enumerate(result["source_documents"], 1):
    print(f"{i}. {doc.metadata.get('source')} (页码: {doc.metadata.get('page')})")
    print(f"   内容预览: {doc.page_content[:100]}...\n")

▶️ 输出示例：

🤖 AI 回答：
根据公司政策，员工每年最多可休15天带薪年假，未使用部分不可跨年累计。

📚 引用来源：
1. ./docs/company_policy.pdf (页码: 12)
   内容预览: 第五章 年假管理 第三条：正式员工每年享有15天带薪年假...

2. ./docs/company_policy.pdf (页码: 13)
   内容预览: 年假不可跨年度累计，未休年假将按日薪200%折算补偿...

✅ 完美实现：

  • 基于真实文档回答
  • 自动标注引用来源
  • 避免幻觉

🎨 四、优化 Prompt：让回答更专业

默认 Prompt 可能不够精准，可自定义：

from langchain_core.prompts import PromptTemplate

prompt_template = """
你是一个公司HR助手，请基于以下上下文回答问题。
如果不知道答案，请说“根据现有资料无法回答”，不要编造。

上下文：
{context}

问题：{question}

回答：
"""

PROMPT = PromptTemplate(
    template=prompt_template,
    input_variables=["context", "question"]
)

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True,
    chain_type_kwargs={"prompt": PROMPT}
)

💡 自定义 Prompt 可控制语气、格式、安全边界！

⚠️ 五、注意事项 & 最佳实践

表格

问题建议
检索结果不相关调整 k 值；优化分块策略（Day 16）
LLM 忽略上下文在 Prompt 中强调“必须基于上下文回答”
引用太多干扰阅读前端只展示“来源文件名”，点击展开详情
敏感信息泄露在文档加载阶段脱敏（Day 16 + Day 14 Callback）
响应慢缓存高频问题；限制 k 值（通常 3~5 足够）

💡 生产建议：

  • 所有回答附带 source_documents，支持审计
  • 对“无法回答”的问题记录日志，持续补充知识库

📦 六、配套代码结构

langchain-30-days/
└── day18/
    ├── rag_qa_system.py          # RAG 问答主程序
    └── chroma_db/                # 向量库（来自 Day 17）

📝 七、今日小结

  • ✅ 理解了 RAG 的核心价值：用私有知识增强 LLM
  • ✅ 学会了用 RetrievalQA 快速构建问答系统
  • ✅ 实现了带引用溯源的专业回答
  • ✅ 掌握了自定义 Prompt 优化回答质量
  • ✅ 知道了 RAG 系统的常见陷阱与对策

🎯 明日预告：Day 19 —— RAG 进阶：多路召回、重排序（Rerank）、HyDE 查询扩展！

avatar
文章
阅读
粉丝