什么是RAG？
RAG（Retrieval-Augmented Generation）是一种结合检索与生成的技术，能够为大模型提供外部知识，减少幻觉，提升回答准确性。
准备工作
环境要求
- Python 3.10+
- OpenAI API Key
- 安装依赖：
pip install langchain chromadb openai tiktoken
数据准备
我们将使用一个包含公司政策文档的本地文件夹（./docs）作为知识库。
步骤一：文档加载与分割
from langchain.document_loaders import DirectoryLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
loader = DirectoryLoader('./docs', glob='**/*.txt')
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
docs = text_splitter.split_documents(documents)
步骤二：创建向量存储
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(docs, embeddings)
步骤三：构建检索链
from langchain.chains import RetrievalQA
from langchain.llms import OpenAI
llm = OpenAI(temperature=0)
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=vectorstore.as_retriever()
)
步骤四：运行问答
query = "公司年假政策是什么？"
result = qa_chain.run(query)
print(result)
进阶优化
1. 使用更好的检索器
- MMR检索: 增加多样性
- 带分数过滤: 提高相关性
2. 提示工程
定制提示模板，让回答更专业。
3. 对话历史
集成记忆组件，实现多轮对话。
总结
通过本教程，你已掌握RAG系统的基本搭建方法。实际应用中，可根据需求调整文档分割策略、检索算法和模型参数。