用LangChain打造你自己的智能问答系统

最新推荐文章于 2025-12-17 19:02:04 发布

原创最新推荐文章于 2025-12-17 19:02:04 发布 · 365 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #java #数据库

安装LangChain及相关依赖

确保Python环境（建议3.8+），安装LangChain核心库及常用扩展：

pip install langchain openai faiss-cpu tiktoken

如需使用特定模型（如OpenAI），需配置API密钥：

import os
os.environ["OPENAI_API_KEY"] = "your-api-key"

构建文档加载与处理流程

使用LangChain的文档加载器读取多种格式文件（PDF、HTML等）：

from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("example.pdf")
pages = loader.load_and_split()

通过文本分割器处理长文档：

from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
docs = text_splitter.split_documents(pages)

创建向量存储与检索系统

将文档转换为嵌入向量并存储：

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(docs, embeddings)

实现相似度检索功能：

retriever = db.as_retriever(search_kwargs={"k": 3})

集成问答链与语言模型

构建基于检索的问答流水线：

from langchain.chains import RetrievalQA
from langchain.llms import OpenAI

qa_chain = RetrievalQA.from_chain_type(
    llm=OpenAI(temperature=0),
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True
)

实现交互式问答界面

通过简单循环实现命令行交互：

while True:
    query = input("Ask a question (type 'exit' to quit): ")
    if query.lower() == 'exit':
        break
    result = qa_chain({"query": query})
    print(f"Answer: {result['result']}\nSources: {result['source_documents']}")

扩展功能与优化建议

添加对话历史管理提升连续性：

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

集成其他检索增强生成技术：

from langchain.chains import ConversationalRetrievalChain
qa = ConversationalRetrievalChain.from_llm(
    OpenAI(temperature=0.7),
    retriever,
    memory=memory
)

性能优化方向：