【49.Python+AI】用LangChain搭一个RAG问答机器人：从文档上传到智能回答全流程

📖 文章简介： 本文手把手教你用LangChain框架从零搭建一个完整的RAG问答机器人。内容覆盖Document Loader加载多格式文档、Text Splitter进行语义化分块、Vector Store向量化存储、Retrieval Chain检索链的组装与调优，全流程逐行代码讲解。文中配以Mermaid流程图展示RAG的数据管道，包含一个可直接运行的完整Demo——上传PDF，AI基于文档内容回答问题并附带引用来源，适合想快速落地第一个RAG应用的开发者。

---

🎬 个人主页： 源码骑士

❄ 专栏传送门： 《Android开发基础》《python基础课程》

⭐️热衷从源码视角拆解技术底层原理，将复杂架构讲得通俗易懂

---

🎬 源码骑士的简介：
5年Android Framework系统开发经验，曾主导多项系统级性能优化专项
技术栈覆盖Android系统全链路（Binder/Handler/AMS/WMS/启动流程）及Java后端全家桶（Spring + MyBatis + Redis + Oracle）
累计产出原创技术文章100+篇，文章以流程图为特色，被读者评价为"看一篇胜过啃一周源码"

---

导入语

前面你选好了向量数据库、搞懂了Embedding模型。但真正上手搭RAG时，你会面对一长串问题：PDF怎么加载？怎么切成合适的块？块存在哪？检索怎么和LLM串起来？用户问的问题怎么在检索之后喂给模型？

LangChain就是来解决这些"组装问题"的。它把RAG的每个环节抽象为标准组件，你可以像搭乐高一样把它们拼起来。这篇文章的目标：用一个完整的Python脚本，从PDF加载到智能问答，每一步都有代码、每一行都有注释。 看完你就能在自己的文档上跑起来。

---

1 ~> 用LangChain搭RAG：四步走

---

2 ~> 完整代码实现

2.1 环境准备

pip install langchain langchain-openai chromadb pypdf tiktoken

2.2 完整RAG流水线

# rag_bot.py —— 从PDF到智能问答，一个文件搞定

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_chroma import Chroma
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate

# ========== Step 1：加载PDF ==========
loader = PyPDFLoader("公司规章制度.pdf")
documents = loader.load()
print(f"加载了 {len(documents)} 页文档")
# 每一页是一个Document对象，包含page_content和metadata(页码等)

# ========== Step 2：文本分块 ==========
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,        # 每块500字符
    chunk_overlap=100,     # 块之间重叠100字符（保持语义连续性）
    separators=["\n\n", "\n", "。", "，", " ", ""]  # 优先按段落→句子→词分割
)
chunks = text_splitter.split_documents(documents)
print(f"分割为 {len(chunks)} 个文本块")

# ========== Step 3：向量化并存储 ==========
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vector_store = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    collection_name="company_rules",
    persist_directory="./chroma_db"  # 持久化，下次不用重新向量化
)

# ========== Step 4：构建检索+生成链 ==========
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.2)

# 定义Prompt模板：告诉模型如何使用检索到的上下文
system_prompt = (
    "你是一个企业知识库助手。根据以下检索到的文档片段回答问题。"
    "如果文档中没有相关信息，就说'文档中未提及'，不要编造。"
    "回答时注明引用的来源。\n\n"
    "检索到的文档片段：\n{context}"
)
prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("human", "{input}"),
])

# 组装：文档填充链 + 检索链
document_chain = create_stuff_documents_chain(llm, prompt)
retriever = vector_store.as_retriever(
    search_type="similarity",  # 相似度检索
    search_kwargs={"k": 4}     # 每次检索4个最相关块
)
rag_chain = create_retrieval_chain(retriever, document_chain)

# ========== 开始问答 ==========
if __name__ == "__main__":
    print("📚 RAG问答机器人已就绪，输入 'quit' 退出\n")
    while True:
        question = input("你的问题：")
        if question.lower() == "quit":
            break
        
        response = rag_chain.invoke({"input": question})
        print(f"\n回答：{response['answer']}\n")
        
        # 显示引用来源
        print("引用来源：")
        for i, doc in enumerate(response["context"], 1):
            print(f"  [{i}] 第{doc.metadata.get('page', '?')}页: {doc.page_content[:100]}...")
        print("-" * 50)

2.3 关键参数调优

参数	默认值	调优建议
chunk_size	500	短文本：200300；长文档：8001000
chunk_overlap	100	通常设为chunk_size的20%，保持语义连续性
search_kwargs["k"]	4	简单问题23个，复杂推理问题68个
temperature	0.2	RAG场景保持低值，0~0.3足够
separators	见上文	中文文档优先用。和，做分隔符

---

3 ~> Document Loader支持的文件格式

# PDF
from langchain_community.document_loaders import PyPDFLoader

# Word文档
from langchain_community.document_loaders import Docx2txtLoader

# 纯文本
from langchain_community.document_loaders import TextLoader

# CSV（每行作为一条记录）
from langchain_community.document_loaders import CSVLoader

# 网页
from langchain_community.document_loaders import WebBaseLoader

# 整个目录
from langchain_community.document_loaders import DirectoryLoader

---

思考 && 总结

1. LangChain把RAG拆成四个标准步骤： Load → Split → Embed & Store → Retrieve & Generate。每步都有几行代码的模板，组合起来就是一个完整应用。
2. RecursiveCharacterTextSplitter是中文文档最好的分块器： 按段落→句子→词的顺序递进分割，比固定长度切分保持语义完整性更好。
3. create_retrieval_chain一行封装了整个"检索+生成"链： 背后是Retriever查向量库 → 拼接Prompt → 喂给LLM的完整流水线。
4. chunk_overlap是防止"关键信息被切断"的保险： 100字符重叠意味着同一句话可能在相邻两个块中都完整出现。
5. 温度设低是RAG的铁律： 你的答案应该来自检索到的文档，不是模型的"自由发挥"。

30行核心代码就能搭一个可用的RAG问答系统——这就是LangChain的抽象能力。但理解每个组件在做什么，比会用API更重要。

---

结尾

各位小伙伴，本文的内容到这里就全部结束了！源码骑士 — Android Framework & 全栈开发

👀 关注 | ❤️ 点赞 | ⭐ 收藏：把完整脚本存好下个项目直接改 | 💬 评论 | 🔄 一键四连！🗡️ 寄语：最好的学习方式就是用自己的文档跑一遍——找一份PDF，让AI基于它回答你的问题。

结语：找一份你熟悉的PDF文档，把上面的脚本拷过去，改一下文件路径。跑起来，问它一个问题——看到AI基于你的文档给出准确回答的那一刻，你就真正理解了RAG。不要忘记给博主"一键四连"哦！