LangChain+通义千问 RAG知识库问答代码

前置说明：这份代码是LangChain 1.0最新主流写法，实现的是RAG（检索增强生成）核心逻辑，也是LLM落地最实用的入门案例。掌握本案例后可快速搭建属于自己的知识库问答机器人。

✅ 先搞懂【整体功能】

这份代码的核心作用是搭建一个「宠物知识库问答助手」，核心逻辑为「先检索、再回答」，与普通AI问答存在本质区别：

  1. 普通AI问答：大模型凭借自身知识库回答，易出现胡说八道、答非所问的情况；

  2. RAG知识库问答：先从指定资料中筛选与问题相关的内容，再让大模型基于筛选出的资料回答，确保回答绝对精准、有据可依、不编造内容；

  3. 核心效果：例如提问「金鱼适合什么样的人养？」，程序会先从准备好的宠物资料中提取金鱼相关知识点，再让通义千问基于该知识点作答，不会偏离主题或编造饲养规则。

✅ 核心前置认知（3个必懂概念）

① 什么是 RAG ？（检索增强生成）

RAG是「检索+生成」的组合，是解决大模型「胡说八道」的最优解，核心三步为：

用户提问 → 第一步【检索】：从本地知识库查找与问题最相似的资料 → 第二步【生成】：让大模型严格基于找到的资料回答问题

核心价值：让AI的回答有依据、不编造、百分百贴合指定资料，是知识库问答、文档问答的核心技术。

② 向量库 & 嵌入模型 到底是干嘛的？

这是RAG的核心，用大白话解释如下：

  • 嵌入模型（Embeddings）：即「文字转数字」的工具。计算机无法直接理解文字，但能识别数字，嵌入模型可将每一句话（如「金鱼是冷水鱼」）转换为一串固定长度的数字（向量），意思越相似的文字，转换后的向量越接近；

  • 向量库（Chroma）：即「存向量的数据库」。将知识库文本转成向量后存入向量库，用户提问时，先将问题也转成向量，向量库会快速匹配出与问题向量最相似的文本向量，对应的文本就是最相关的资料。

总结：嵌入模型负责「转码」，向量库负责「检索相似内容」，二者缺一不可。

③ LangChain 1.0 核心：管道符 | 串联一切

LangChain将所有功能（检索器、提示词、模型、解析器）封装成「可运行节点」，通过 | 管道符串联，左边的输出自动作为右边的输入，无需手动传参，代码简洁且逻辑清晰。

核心逻辑：用户问题 → 检索资料 → 填充提示词 → 调用大模型 → 格式化输出

-------------- 1. 基础库导入 --------------


# Python内置的操作系统模块，用于环境变量操作
import os
# 从自定义的config.py文件中导入通义千问的API密钥（你的密钥存在这里）
from config import DASHSCOPE_API_KEY

代码解读（作用+原理）

此部分为基础导入，两行代码的作用明确：

  1. import os：导入Python自带的os模块，此处仅用于将API密钥设置为系统环境变量，方便后续通义千问SDK自动读取密钥完成鉴权；

  2. from config import DASHSCOPE_API_KEY：从自定义的config.py文件中导入密钥，这是规范的密钥管理方式，可避免密钥直接写在主代码中导致泄露。

补充：config.py文件仅需包含一行代码：DASHSCOPE_API_KEY = “你的通义千问密钥”。

-------------- 2. LangChain核心组件导入 --------------


# 1. 向量数据库：Chroma是轻量级本地向量库，无需部署，适合测试
from langchain_community.vectorstores import Chroma
# 2. 嵌入模型：DashScopeEmbeddings是通义千问的文本转向量工具
#    作用：把文字（如"猫咪性格高冷"）转换成计算机能理解的向量数字
from langchain_community.embeddings import DashScopeEmbeddings
# 3. 大模型调用工具：ChatTongyi是通义千问的LLM调用入口
#    作用：连接通义千问大模型，发送指令并获取回答
from langchain_community.chat_models import ChatTongyi
# 4. 提示词模板：ChatPromptTemplate用于定义固定的提问格式
#    作用：约束AI的回答规则，比如"只能用参考资料回答，禁止编造"
from langchain_core.prompts import ChatPromptTemplate
# 5. 数据透传工具：RunnablePassthrough用于传递用户原始问题
#    作用：不用手动写函数，直接把用户问题传给提示词模板
from langchain_core.runnables import RunnablePassthrough
# 6. 输出格式化工具：StrOutputParser用于格式化AI的输出
#    作用：把模型返回的复杂对象转换成纯字符串，方便打印查看
from langchain_core.output_parsers import StrOutputParser
# 7. 文档标准类：Document是LangChain的统一文档格式
#    作用：包装文本内容和元数据（如来源），让向量库能识别
from langchain_core.documents import Document

代码解读（逐组件解析）

此部分导入了实现RAG的所有核心组件，共7个，按功能分类解读如下，便于理解和记忆：

  1. 向量库相关：Chroma，轻量级本地向量库，无需安装部署，直接可用，是新手学习测试的首选；

  2. 嵌入模型相关：DashScopeEmbeddings，阿里云官方的嵌入模型，专门适配通义千问，负责将知识库文字转换为向量；

  3. 大模型相关：ChatTongyi，LangChain封装的通义千问聊天模型调用入口，无需编写原生调用代码，更贴合LangChain的链式写法，使用便捷；

  4. 提示词相关：ChatPromptTemplate，用于定义AI的回答规则，例如约束AI必须基于参考资料回答，是保证回答精准的核心组件；

  5. 数据传递相关：RunnablePassthrough，即数据透传器，可将用户原始问题原封不动地传递到提示词模板的指定位置，无需手动编写传递函数，简化代码；

  6. 输出处理相关：StrOutputParser，用于将大模型返回的复杂嵌套对象转换为纯字符串，便于直接打印查看；

  7. 文档格式相关：Document，LangChain的统一文档标准类，向量库Chroma仅识别该格式数据，需用其包装知识库内容和附加信息，确保向量库能正确存入和检索。

-------------- 3. 配置API密钥 --------------


# 将API密钥设置为环境变量，确保通义千问的SDK能读取到
os.environ["DASHSCOPE_API_KEY"] = DASHSCOPE_API_KEY

代码解读（作用+必要性）

此行代码的核心作用是将通义千问密钥设置为系统环境变量，其必要性在于：后续使用的DashScopeEmbeddings（嵌入模型）和ChatTongyi（大模型），底层会自动读取该环境变量中的密钥完成身份验证，证明用户有权调用阿里云的模型。

补充：除了设置环境变量，后续初始化模型时也可显式传入密钥，采用双重保险的方式，可避免密钥读取失败。此代码为鉴权前置步骤，必须编写，否则后续所有模型调用都会报「Invalid api key」错误。

-------------- 4. 准备示例文档 --------------


# 用Document类包装我们的宠物资料，每个Document对应一条知识
# page_content：核心文本内容；metadata：附加信息（如来源、分类）
sample_docs = [
    Document(
        page_content="狗狗是群居动物，性格活泼，需要每天遛弯，忠诚度高，适合作为陪伴宠物。",
        metadata={"source": "宠物手册-犬类"}
    ),
    Document(
        page_content="猫咪是独居动物，性格高冷，爱干净，不需要频繁遛弯，适合喜欢安静的饲养者。",
        metadata={"source": "宠物手册-猫类"}
    ),
    Document(
        page_content="金鱼是冷水鱼，饲养时需要注意鱼缸水质清洁，喂食不宜过多，寿命一般3-5年。",
        metadata={"source": "宠物手册-鱼类"}
    ),
    Document(
        page_content="仓鼠是啮齿类动物，夜间活动，主食为谷物和坚果，饲养空间需要通风干燥。",
        metadata={"source": "宠物手册-啮齿类"}
    )
]

代码解读（结构+作用）

此部分用于准备知识库内容，是程序的数据源，AI的所有回答均来源于此，核心细节如下：

  1. Document类的固定格式：每个Document对象包含两个必填参数，page_content为核心文本内容，即知识库知识点，是AI回答的依据；metadata为元数据（字典格式），用于存储文本的附加信息（如来源、分类），不影响回答内容，但可帮助追溯回答的资料来源；

  2. 数据组织方式：将所有Document对象放入列表sample_docs中，向量库可直接批量读取该列表，便于批量存入数据；

  3. 灵活性：修改知识库时，仅需调整sample_docs列表中的Document对象即可，例如添加新的宠物知识点或删除原有内容，无需修改其他代码。

-------------- 5. 初始化通义千问嵌入模型 --------------


# model：指定嵌入模型版本，text-embedding-v1是通义的轻量版，免费可用
# dashscope_api_key：显式传入密钥，确保权限生效
embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",
    dashscope_api_key=DASHSCOPE_API_KEY
)

代码解读（作用+参数说明）

此行代码用于初始化「文字转向量」工具，实例化后的embeddings对象将负责所有文本的向量转换操作，参数说明如下：

  1. model=“text-embedding-v1”：指定使用阿里云的轻量级嵌入模型，该模型免费、速度快且精度满足学习测试需求，是新手的最优选择；

  2. dashscope_api_key=DASHSCOPE_API_KEY：显式传入密钥，与前文设置环境变量形成双重保险，确保即使环境变量配置失败，模型仍能正常调用。

-------------- 6. 初始化Chroma向量库并存入文档 --------------


# from_documents：把Document列表存入向量库
# embedding：指定用什么嵌入模型转向量（这里用通义的）
# persist_directory：None=内存模式（重启数据消失）；指定路径=持久化到本地
vector_db = Chroma.from_documents(
    documents=sample_docs,
    embedding=embeddings,
    persist_directory=None
)

代码解读（核心步骤+参数说明）

此步骤为RAG的核心环节之一，负责将知识库文档存入Chroma向量库，一行代码完成3件关键事情，参数解读如下：

  1. Chroma.from_documents()：Chroma向量库的批量存入方法，专门用于将Document列表存入向量库，是最常用的存入方式；

  2. documents=sample_docs：指定待存入的数据源，即前文准备的宠物知识库列表；

  3. embedding=embeddings：指定用于文本转向量的嵌入模型，向量库会自动调用该模型将所有文档转换为向量后存入，无需手动编写转码代码；

  4. persist_directory=None：控制向量库的数据存储模式，设为None时为内存模式，数据仅存在内存中，程序重启后丢失，适合学习测试；设为具体路径（如"./chroma_db"）时为持久化模式，数据会存入本地文件夹，程序重启后仍保留，适合正式使用。

-------------- 7. 创建检索器（核心：从向量库找相似资料） --------------


# as_retriever：把向量库转换成LangChain的检索器（可接入工作链）
# search_type="similarity"：按相似度检索
# search_kwargs={"k": 2}：返回最相似的2条文档
retriever = vector_db.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2}
)

代码解读（核心作用+参数说明）

此部分是RAG的核心环节，负责创建检索器，从向量库中匹配与用户问题最相关的资料，参数和作用解读如下：

  1. 核心方法：vector_db.as_retriever()，向量库本身无法直接接入LangChain工作链，通过该方法可将向量库转换为LangChain标准的检索器，转换后的retriever对象可通过管道符串联到工作链中，为固定写法；

  2. search_type=“similarity”：指定检索方式为相似度匹配，用户提问后，检索器会将问题转换为向量，在向量库中匹配出最相似的文本向量，对应最相关的资料，此为最常用的检索方式，新手无需更换；

  3. search_kwargs={“k”: 2}：控制检索结果数量，k=2表示每次检索返回最相似的2条文档。k值设置需合理，过大易导致回答冗余，过小可能遗漏关键信息，2-3为学习测试的最佳值，可根据需求灵活调整。

总结：retriever检索器是连接向量库与工作链的关键，负责从知识库中筛选相关资料，直接决定AI回答的精准度。

-------------- 8. 定义提示词模板 --------------


# from_template：用模板字符串创建提示词
# {context}：检索到的参考资料（会自动填充）
# {question}：用户的问题（会自动填充）
# 模板作用：告诉AI必须基于参考资料回答，禁止胡说八道
prompt = ChatPromptTemplate.from_template("""
请严格根据提供的参考资料回答问题，不要编造任何不在资料里的内容。
参考资料：
{context}

用户问题：
{question}
""")

代码解读（作用+结构说明）

此部分用于定义提示词模板，约束AI的回答规则，是保证AI不编造内容的关键，核心细节如下：

  1. 创建方式：ChatPromptTemplate.from_template()，通过字符串模板创建提示词，简洁高效，模板中的占位符会自动填充内容；

  2. 核心占位符：模板中的{context}和{question}为动态占位符，工作链运行时会自动填充，{context}填充检索器找到的相似文档内容，{question}填充用户的原始问题；

  3. 核心作用：模板中的指令「请严格根据提供的参考资料回答问题，不要编造任何不在资料里的内容」直接决定AI的回答逻辑，约束AI仅基于检索到的资料作答，避免使用自身知识库编造内容，即使资料中无相关答案，AI也会提示无相关信息，不会瞎编，这是RAG的核心价值所在。

补充：提示词模板可根据需求灵活修改，例如添加「回答简洁，不超过50字」「分点回答」等指令，AI会严格遵守。

-------------- 9. 初始化通义千问大模型 --------------


# model：指定大模型版本，qwen-turbo=基础版（免费额度充足）；qwen-plus=进阶版
# temperature：温度系数（0-1），越小回答越严谨，越大越有创造性
# dashscope_api_key：传入密钥
llm = ChatTongyi(
    model="qwen-turbo",
    temperature=0.1,
    dashscope_api_key=DASHSCOPE_API_KEY
)

代码解读（参数说明+作用）

此部分用于初始化通义千问大模型，为回答生成环节提供核心支撑，参数解读如下：

  1. model=“qwen-turbo”：指定使用通义千问基础版模型，该模型免费额度充足、速度快、精度满足学习测试需求，新手无需更换为qwen-plus（进阶版）或qwen-max（旗舰版）；

  2. temperature=0.1：温度系数，取值范围0-1，值越小回答越严谨、精准、保守，适合问答、翻译等需准确的场景；值越大回答越随机、有创意，适合创作场景。RAG问答场景建议设置为0.1-0.3；

  3. dashscope_api_key=DASHSCOPE_API_KEY：显式传入密钥，确保模型调用的权限，与前文的环境变量设置形成双重保险。

-------------- 10. 构建RAG工作链（核心：检索→回答） --------------


# 链式调用逻辑：
# 1. {"context": retriever, "question": RunnablePassthrough()}
#    - retriever：自动检索相似文档，填充到context
#    - RunnablePassthrough()：把用户问题直接传给question
# 2. | prompt：把context和question代入提示词模板，生成完整指令
# 3. | llm：把完整指令传给通义千问大模型
# 4. | StrOutputParser()：把模型输出转换成纯字符串
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

代码解读（核心逻辑+逐环节拆解）

此部分为整篇代码的精华与灵魂，通过管道符串联所有组件，形成全自动的问答流水线，无需手动传参、编写循环或处理函数，LangChain已封装所有逻辑。从左到右拆解为4个环节，清晰呈现每一步的输入与输出：

环节1：数据准备层 → {“context”: retriever, “question”: RunnablePassthrough()}

此为字典格式的数据映射器，是工作链的入口，负责完成两项核心工作：

  • context: retriever：将检索器赋值给context键，用户提问时，检索器自动运行，将找到的相似文档内容填充到该位置；

  • question: RunnablePassthrough()：将数据透传器赋值给question键，负责将用户原始问题原封不动地传递到该位置，无需额外处理函数。

结果：生成字典{“context”: “检索到的宠物资料”, “question”: “用户的问题”}。

环节2：提示词填充层 → | prompt

管道符将环节1的字典结果自动传给提示词模板prompt，模板将字典中的context和question自动填充到对应占位符，生成完整的指令文本，包含回答规则、参考资料和用户问题。

示例：生成指令「请严格根据提供的参考资料回答问题，不要编造任何不在资料里的内容。参考资料：金鱼是冷水鱼，饲养时需要注意鱼缸水质清洁，喂食不宜过多，寿命一般3-5年。 用户问题：金鱼适合什么样的人养？」。

环节3：大模型调用层 → | llm

管道符将填充完整的指令自动传给通义千问大模型llm，模型严格遵守指令，基于参考资料生成回答，不编造内容。

结果：模型返回包含嵌套属性的复杂回答对象，非纯字符串。

环节4：输出格式化层 → | StrOutputParser()

管道符将模型返回的复杂对象自动传给字符串解析器，解析器将其转换为干净的纯字符串，即最终的回答内容。

结果：得到纯文本回答，如「金鱼是冷水鱼，饲养时需注意鱼缸水质清洁、喂食不宜过多，适合喜欢安静、不需要频繁打理宠物的人饲养。」。

总结：rag_chain工作链整合了检索、填充、调用、格式化的全流程，仅需调用一个方法即可触发整个流水线，体现了LangChain简洁高效的核心优势。

-------------- 11. 测试运行 --------------


# 主函数入口：防止被其他文件导入时自动运行
if __name__ == "__main__":
    # 定义用户问题
    user_question = "金鱼适合什么样的人养？"
    # invoke：执行RAG链，获取回答
    answer = rag_chain.invoke(user_question)
    
    # 打印结果
    print("=" * 20)
    print(f"问题：{user_question}")
    print("-" * 20)
    print(f"回答：{answer}")
    print("=" * 20)

代码解读（作用+核心方法）

此部分为程序的运行入口，也是调用RAG链的标准方式，核心知识点如下：

  1. if name == “main”:：Python固定写法，确保仅当直接运行该文件时，内部代码才执行；若文件被其他文件导入，内部代码不自动运行，避免干扰其他程序，为规范写法；

  2. user_question = “金鱼适合什么样的人养？”：定义用户问题，可根据需求灵活修改，如改为「猫咪适合什么样的人养？」「仓鼠的饲养要求是什么？」等；

  3. answer = rag_chain.invoke(user_question)：核心调用方法，invoke()为LangChain同步调用的标准方法，传入用户问题后触发整个RAG工作链，最终将完整回答结果赋值给answer变量；

  4. 打印结果：通过格式化打印清晰展示问题和回答，便于查看运行效果。

运行结果演示


====================
问题：金鱼适合什么样的人养？
--------------------
回答：金鱼是冷水鱼，饲养时需要注意鱼缸水质清洁，喂食不宜过多，它适合喜欢安静、不需要频繁打理宠物的人饲养。
====================

该回答完全来源于指定知识库，无任何编造内容，精准度符合预期，体现了RAG的核心价值。

✅ 核心知识点总结（必背清单）

本代码包含LangChain 1.0开发RAG的所有核心知识点，掌握后可举一反三开发各类知识库问答应用，核心总结如下：

一、RAG核心流程（灵魂）

准备知识库 → 文本转向量 → 存入向量库 → 创建检索器 → 定义提示词模板 → 初始化大模型 → 构建工作链 → 调用问答

二、LangChain核心组件（工具）

  1. Document：封装知识库文本和元数据，向量库的标准格式；

  2. DashScopeEmbeddings：通义千问的文本转向量工具；

  3. Chroma：轻量级本地向量库，新手首选；

  4. as_retriever()：向量库转检索器的固定方法；

  5. ChatPromptTemplate：定义AI回答规则的提示词模板；

  6. ChatTongyi：通义千问大模型的调用入口；

  7. RunnablePassthrough：数据透传器，传递用户原始问题；

  8. StrOutputParser：格式化输出，转换为纯字符串；

  9. 管道符 |：串联所有节点，实现自动传参。

三、核心调用方法（使用）

同步调用RAG链：rag_chain.invoke(用户问题)，固定写法，一次性返回完整回答。

四、灵活修改技巧（举一反三）

  1. 修改知识库：仅需调整sample_docs列表中的Document对象；

  2. 修改回答规则：修改prompt提示词模板中的指令；

  3. 修改检索数量：调整search_kwargs={“k”: 2}中的k值。

✅ 新手避坑指南（运行报错解决方案）

运行代码时若出现错误，99%为以下4种原因，按顺序排查即可解决：

  1. 鉴权失败：Invalid api key → 检查config.py文件中的密钥是否正确，变量名是否为DASHSCOPE_API_KEY；

  2. 依赖缺失：ModuleNotFoundError → 运行命令pip install langchain-core langchain-community chromadb dashscope python-dotenv安装所有依赖；

  3. 检索不到内容：回答「无相关资料」 → 检查知识库是否包含与问题相关的内容，或适当调大k值；

  4. AI回答编造内容 → 检查提示词模板是否包含「严格根据参考资料回答，不要编造」的指令，该指令为必加项。

完整代码

# -------------- 1. 基础库导入 --------------
# Python内置的操作系统模块，用于环境变量操作
import os
# 从自定义的config.py文件中导入通义千言的API密钥（你的密钥存在这里）
from config import DASHSCOPE_API_KEY

# -------------- 2. LangChain核心组件导入 --------------
# 1. 向量数据库：Chroma是轻量级本地向量库，无需部署，适合测试
from langchain_community.vectorstores import Chroma
# 2. 嵌入模型：DashScopeEmbeddings是通义千言的文本转向量工具
#    作用：把文字（如"猫咪性格高冷"）转换成计算机能理解的向量数字
from langchain_community.embeddings import DashScopeEmbeddings
# 3. 大模型调用工具：DashScope是通义千言的LLM调用入口
#    作用：连接通义千言大模型，发送指令并获取回答
from langchain_community.chat_models import ChatTongyi
# 4. 提示词模板：ChatPromptTemplate用于定义固定的提问格式
#    作用：约束AI的回答规则，比如"只能用参考资料回答，禁止编造"
from langchain_core.prompts import ChatPromptTemplate
# 5. 数据透传工具：RunnablePassthrough用于传递用户原始问题
#    作用：不用手动写函数，直接把用户问题传给提示词模板
from langchain_core.runnables import RunnablePassthrough
# 6. 输出格式化工具：StrOutputParser用于格式化AI的输出
#    作用：把模型返回的复杂对象转换成纯字符串，方便打印查看
from langchain_core.output_parsers import StrOutputParser
# 7. 文档标准类：Document是LangChain的统一文档格式
#    作用：包装文本内容和元数据（如来源），让向量库能识别
from langchain_core.documents import Document

# -------------- 3. 配置API密钥 --------------
# 将API密钥设置为环境变量，确保通义千言的SDK能读取到
os.environ["DASHSCOPE_API_KEY"] = DASHSCOPE_API_KEY

# -------------- 4. 准备示例文档 --------------
# 用Document类包装我们的宠物资料，每个Document对应一条知识
# page_content：核心文本内容；metadata：附加信息（如来源、分类）
sample_docs = [
    Document(
        page_content="狗狗是群居动物，性格活泼，需要每天遛弯，忠诚度高，适合作为陪伴宠物。",
        metadata={"source": "宠物手册-犬类"}
    ),
    Document(
        page_content="猫咪是独居动物，性格高冷，爱干净，不需要频繁遛弯，适合喜欢安静的饲养者。",
        metadata={"source": "宠物手册-猫类"}
    ),
    Document(
        page_content="金鱼是冷水鱼，饲养时需要注意鱼缸水质清洁，喂食不宜过多，寿命一般3-5年。",
        metadata={"source": "宠物手册-鱼类"}
    ),
    Document(
        page_content="仓鼠是啮齿类动物，夜间活动，主食为谷物和坚果，饲养空间需要通风干燥。",
        metadata={"source": "宠物手册-啮齿类"}
    )
]

# -------------- 5. 初始化通义千言嵌入模型 --------------
# model：指定嵌入模型版本，text-embedding-v1是通义的轻量版，免费可用
# dashscope_api_key：显式传入密钥，确保权限生效
embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",
    dashscope_api_key=DASHSCOPE_API_KEY
)

# -------------- 6. 初始化Chroma向量库并存入文档 --------------
# from_documents：把Document列表存入向量库
# embedding：指定用什么嵌入模型转向量（这里用通义的）
# persist_directory：None=内存模式（重启数据消失）；指定路径=持久化到本地
vector_db = Chroma.from_documents(
    documents=sample_docs,
    embedding=embeddings,
    persist_directory=None
)

# -------------- 7. 创建检索器（核心：从向量库找相似资料） --------------
# as_retriever：把向量库转换成LangChain的检索器（可接入工作链）
# search_type="similarity"：按相似度检索
# search_kwargs={"k": 2}：返回最相似的2条文档
retriever = vector_db.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2}
)

# -------------- 8. 定义提示词模板 --------------
# from_template：用模板字符串创建提示词
# {context}：检索到的参考资料（会自动填充）
# {question}：用户的问题（会自动填充）
# 模板作用：告诉AI必须基于参考资料回答，禁止胡说八道
prompt = ChatPromptTemplate.from_template("""
请严格根据提供的参考资料回答问题，不要编造任何不在资料里的内容。
参考资料：
{context}

用户问题：
{question}
""")

# -------------- 9. 初始化通义千言大模型 --------------
# model：指定大模型版本，qwen-turbo=基础版（免费额度充足）；qwen-plus=进阶版
# temperature：温度系数（0-1），越小回答越严谨，越大越有创造性
# dashscope_api_key：传入密钥
llm = ChatTongyi(
    model="qwen-turbo",
    temperature=0.1,
    dashscope_api_key=DASHSCOPE_API_KEY
)

# -------------- 10. 构建RAG工作链（核心：检索→回答） --------------
# 链式调用逻辑：
# 1. {"context": retriever, "question": RunnablePassthrough()}
#    - retriever：自动检索相似文档，填充到context
#    - RunnablePassthrough()：把用户问题直接传给question
# 2. | prompt：把context和question代入提示词模板，生成完整指令
# 3. | llm：把完整指令传给通义千言大模型
# 4. | StrOutputParser()：把模型输出转换成纯字符串
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# -------------- 11. 测试运行 --------------
# 主函数入口：防止被其他文件导入时自动运行
if __name__ == "__main__":
    # 定义用户问题
    user_question = "金鱼适合什么样的人养？"
    # invoke：执行RAG链，获取回答
    answer = rag_chain.invoke(user_question)
    
    # 打印结果
    print("=" * 20)
    print(f"问题：{user_question}")
    print("-" * 20)
    print(f"回答：{answer}")
    print("=" * 20)
# python
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

Cursor Free VIP破解工具：终极免费Pro功能一键解锁指南

还在为Cursor的"试用请求已达上限"而烦恼吗？你是否经常遇到"本机使用过多免费试用账户"的提示？别担心，今天我要介绍的这个开源工具能帮你轻松解决这些问题！Cursor Free VIP是一款功能强大的破解工具，通过智能重置机器ID和修改授权状态，让你免费享受Cursor Pro的全部高级功能。这个工具支持Windows、macOS和Linux三大操作系统，提供多语言界面，操作简单快捷，让AI编

avatar DeepSeek技术社区

CC-Switch 2026最新完整版 下载+安装+全功能配置教程

供应商名称：自定义备注（如XX中转）Base URL：平台提供地址（结尾带/v1）API Key：中转平台密钥模型名称：填写平台支持代码模型名勾选「适配Claude协议路由」，保存启用。

avatar DeepSeek技术社区
cover

AI第一性原理：从一个神经元到ChatGPT的硬核拆解

avatar DeepSeek技术社区