实战：RAG Chatbot
RAG Chatbot 的核心是让模型基于知识库回答，而不是凭空编造。
流程
text
上传文档 -> 文档解析 -> 切分 -> 向量化 -> 入库 -> 用户提问 -> 检索 -> 生成回答简化代码结构
python
def answer_question(question: str):
docs = retriever.invoke(question)
context = "
".join([d.page_content for d in docs])
prompt = f"基于上下文回答：
{context}
问题：{question}"
return llm.invoke(prompt)生产增强
- 文档按租户和权限过滤。
- 检索结果做 rerank。
- 回答展示引用来源。
- 对无答案场景返回“不知道”。
- 收集用户反馈优化知识库。
非官方声明
本站为个人维护的非官方中文学习文档，不代表 LangChain 官方。页面内容是基于公开文档、源码实践和中文开发者视角重新整理的学习资料。涉及 API 细节时，请以官方文档和实际安装版本为准。
参考来源
- LangChain / LangGraph 官方文档：
https://docs.langchain.com/ - LangChain API Reference：
https://reference.langchain.com/ - 本站内容为中文学习整理，不做官方身份声明。