LangChain + RAG 实战（三）：构建第一个 RAG Chain

创作者： Yardon  |  GitHub： github.com/YardonYan  |  版本： v1.0  | 

---

---

LCEL：LangChain 的链式语法

LCEL（LangChain Expression Language）让链式调用变得像搭积木：

from langchain.prompts import ChatPromptTemplate
from langchain.schema import StrOutputParser

prompt = ChatPromptTemplate.from_template("用{language}写一个{task}的函数")
chain = prompt | llm | StrOutputParser()

result = chain.invoke({
    "language": "Python",
    "task": "计算 Fibonacci 数列"
})

---

检索增强生成 (RAG) Chain

from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain

# RAG prompt
prompt = ChatPromptTemplate.from_template("""
基于以下上下文回答用户的问题。如果上下文中没有相关信息，请如实说不知道。

上下文：\n{context}\n

问题：{input}

回答：
""")

doc_chain = create_stuff_documents_chain(llm, prompt)
rag_chain = create_retrieval_chain(retriever, doc_chain)

result = rag_chain.invoke({"input": "useEffect 的依赖数组是什么意思？"})
print(result["answer"])

---

带来源引用的 RAG

result = rag_chain.invoke({"input": "React Hooks 的类型"})

print(result["answer"])
print("\n--- 参考来源 ---")
for i, doc in enumerate(result["context"], 1):
    print(f"[{i}] {doc.metadata.get('source', '未知来源')}")

---

Streamlit 快速搭一个 RAG 界面

import streamlit as st

# 加载向量数据库（缓存避免每次刷新重建）
@st.cache_resource
def get_vectordb():
    return Chroma(persist_directory="./chroma_db", embedding_function=embeddings)

# 构建 RAG
st.title("📚 企业知识库问答")
question = st.text_input("输入你的问题...")
if question:
    with st.spinner("搜索中..."):
        result = rag_chain.invoke({"input": question})
    st.markdown(f"**答案：** {result['answer']}")
    st.write("---")
    for i, doc in enumerate(result["context"], 1):
        st.caption(f"[{i}] 来源: {doc.metadata.get('source', '?')}")

---

本章小结

概念	要点
LCEL	`
create_retrieval_chain	检索+生成的完整 RAG 管道
Streamlit	15 分钟搭一个 RAG UI

---

📌 创作者： Yardon  |  🏠 个人网站： GlimmerAI.top

📖 本章是「LangChain + RAG 实战」系列的第 3 章。

🌟 欢迎大家来观看！