1. 搭建第一个RAG原型

任务目标

构建一个最小可运行的RAG（检索增强生成）原型：从PDF文档中提取文本，切分为块并向量化，用户提问时先检索相关片段，再交由模型生成回答。本案例聚焦端到端链路打通，不涉及复杂优化。

环境依赖

需要Python 3.9+，并安装以下包：

pip install langchain langchain- langchain-community pypdf faiss-cpu

同时设置环境变量 _ 为你的密钥。

完整实现代码

import os
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_ import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate

# 1. 加载PDF文档
pdf_path = "sample.pdf"  # 替换为你的PDF文件路径
loader = PyPDFLoader(pdf_path)
documents = loader.load()

# 2. 文本切分
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    separators=["\n\n", "\n", "。", "！", "？", ".", "!", "?", " ", ""]
)
chunks = text_splitter.split_documents(documents)
print(f"切分为 {len(chunks)} 个文本块")

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. 构建检索问答链
llm = ChatOpenAI(model="-turbo", temperature=0)
prompt = ChatPromptTemplate.from_template("""
根据以下上下文回答用户问题。如果上下文中没有相关信息，请明确说"根据提供的文档无法回答该问题"。

上下文：
{context}

用户问题：{input}
""")

document_chain = create_stuff_documents_chain(llm, prompt)
retrieval_chain = create_retrieval_chain(vectorstore.as_retriever(search_kwargs={"k": 3}), document_chain)

# 5. 提问与回答
question = "这份文档的主要内容是什么？"
response = retrieval_chain.invoke({"input": question})
print(f"问题：{question}")
print(f"回答：{response['answer']}")

运行方式

1. 将上述代码保存为 rag_prototype.py，并在同目录放置一个真实的PDF文件（如产品手册、等），修改代码中的 pdf_path 指向该文件。
2. 在终端执行：python rag_prototype.py

验证方法

程序正常执行时，会先输出切分的文本块数量（应大于0），随后输出针对所提问题的回答。判定通过的准则：

• 回答内容与PDF文档实际内容相关，而非模型凭空编造；
• 若问题超出文档范围，模型明确回复无法回答；
• 控制台无报错，且整个流程在数十秒内完成（取决于文档大小和API响应速度）。

常见问题

• PDF加载失败：确认文件路径正确且PDF非扫描图片型（当前加载器仅提取文本层）。
• 错误：检查环境变量是否已正确设置，或直接在代码中通过 os.environ["_"] = "sk-..." 设置。
• 检索结果为空：尝试减小 chunk_size 或增加 k 值（检索返回的块数）。