🐇明明跟你说过：个人主页

🏅个人专栏：《深度探秘：AI界的007》 🏅

🔖行路有良友，便是天堂🔖

目录

一、引言

1、什么是Lang Chain

2、文档问答的典型应用场景

二、文档处理的核心流程全景图

1、文档加载（Document Loading）

2、文本切分（Text Splitting）

3、向量化存储（Embedding + Vector Store）

4、智能问答（RAG: Retrieval-Augmented Generation）

三、构建问答系统：LangChain RAG 实战项目

1、安装依赖

2、读取 Word 文件内容

3、切分文本为 chunks

4、向量化 + 存储到 FAISS 数据库

5、构建问答链（Retrieval + LLM）

6、完整代码

7、测试运行

8、优化建议

一、引言

1、什么是Lang Chain

你有没有想过，让 AI 不仅能回答问题，还能主动思考、查资料、记忆上下文、执行任务？ 这就是 LangChain 的魔力所在！✨

🧠 LangChain 是什么？

简单来说，LangChain 是一个帮你构建 “智能 Agent（智能体）” 的工具库。 它就像是给大模型（比如 GPT）加上了“手脚 + 大脑”，让它能真正动起来，不再只是个“回答机”。

🛠️ 它能做什么？

功能通俗解释举个例子🗃️ 记忆（Memory）模型可以“记住”你之前说过的话连续聊天时不再重复自我介绍 😅🔗 工具调用（Tools）模型能调用其他工具，如搜索、计算器“帮我查一下北京明天的天气” 🌤️📚 知识库（Retrieval）模型能查找文档或数据库内容“根据公司手册，告诉我请假流程” 📄📋 多步骤任务（Chain）模型可以分步骤执行复杂任务写报告 → 查资料 → 汇总 → 输出 📊🤖 智能 Agent像个 AI 助理，能自己决策、自己行动“每天早上 9 点给我发个日报提醒” ⏰

🏗️ 工作原理（简单比喻）

把 LangChain 想成搭积木：

📦 大模型（比如 GPT）是积木核心

🔧 工具（如搜索、数据库）是积木配件

🧩 LangChain 是连接一切的拼装架构

通过 LangChain，你可以把这些积木灵活组合，搭出属于你自己的 AI 应用！

🧑‍🍳 举个生活中的例子：做一顿饭

用传统大模型（没 LangChain）： 你问：“鸡蛋怎么煮？”它告诉你方法，但没法动手 🤷

用 LangChain 构建的 AI 助理： 它不仅告诉你怎么煮，还能帮你：

查询冰箱里有什么 🧊

推荐菜谱 🍳

自动下单缺的食材 🛒

给你发做饭步骤提醒 📱

是不是一下子聪明多了？😎

2、文档问答的典型应用场景

文档问答系统 = 把 AI + 自己的文档整合起来，让 AI 自动“看文档 + 回答问题” 是不是很像一个不会请假的 AI 同事？🤖

💼 企业内部知识问答

🧠 员工问答助手

场景：新员工入职、老员工查询制度 💬 举例：

“年假怎么请？”

“公司 VPN 怎么配置？” 📝 对应文档：员工手册、制度文件、操作指南 🎯 效果：不用再翻厚厚的文档，直接问 AI！

🏥 医疗领域

📋 医学资料问答系统

场景：医生或患者查询疾病、药品说明 💬 举例：

“这个药物有啥副作用？”

“手术后的恢复流程是怎样的？” 📝 对应文档：医疗手册、临床指南、药品说明书 🎯 效果：快速查阅，避免误读、节省时间 🩺

⚖️ 法律服务

📘 法规/合同文档问答

场景：律师事务所、法务部门、合同管理 💬 举例：

“这份合同的付款条款是怎么规定的？”

“劳动法对加班时间有啥要求？” 📝 对应文档：合同文本、法律法规文库 🎯 效果：快速定位法律条款，不用手动 Ctrl+F 疯狂找 😵

🧰 客服和产品说明

🛠️ 产品说明 / 用户手册问答

场景：用户使用产品遇到问题 💬 举例：

“这个打印机怎么连接 Wi-Fi？”

“为什么启动时出现错误代码 E203？” 📝 对应文档：产品说明书、FAQ、故障手册 🎯 效果：减少人工客服压力，让用户自助解决 🧑‍🔧

💡 总结一句话：

文档问答 = 把“静态文档”变成“可对话知识库”，让你问一句，它答一句，效率翻倍 🚀

二、文档处理的核心流程全景图

1、文档加载（Document Loading）

把各种格式的文档，读进来变成文本

🧩 用到的 LangChain 模块：DocumentLoader

📂 支持格式广泛：

PDF

HTML、网页链接

TXT、Markdown

CSV、Notion、微信公众号……等等

💬 举例：

from langchain.document_loaders import PyPDFLoader

loader = PyPDFLoader("report.pdf")

documents = loader.load()

✨ 目的：从“文件”变成“字符串文本”，让后续处理成为可能！

2、文本切分（Text Splitting）

把长文档切成小块，模型吃得下才有输出

🧩 用到的模块：TextSplitter（比如 RecursiveCharacterTextSplitter）

📦 原因：

大模型有输入长度限制（token 限制）

分块后更利于建立向量索引，提升检索效果

💬 举例：

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)

docs = splitter.split_documents(documents)

✨ 目的：文档变成一堆“小语段”，每段都能独立处理、检索

3、向量化存储（Embedding + Vector Store）

把文本转成向量，用来快速查找“语义相近”的内容

🧩 用到的模块：

Embeddings（如 OpenAIEmbeddings）

VectorStore（如 FAISS、Chroma、Milvus、Pinecone 等）

💬 举例：

from langchain.embeddings import OpenAIEmbeddings

from langchain.vectorstores import FAISS

embeddings = OpenAIEmbeddings()

vectorstore = FAISS.from_documents(docs, embeddings)

📌 每段文本会被转换为一个“语义向量”，然后保存到向量数据库中。

✨ 目的：为后面的智能问答做准备，确保能根据问题找对相关内容！

4、智能问答（RAG: Retrieval-Augmented Generation）

根据问题检索相关片段，然后交给大模型生成答案

🧩 用到的模块：

Retriever：检索器，从向量数据库中找相似文本

LLM：大语言模型，用于回答问题

QA Chain：如 RetrievalQA 或 ConversationalRetrievalChain

💬 举例：

from langchain.chains import RetrievalQA

qa_chain = RetrievalQA.from_chain_type(

llm=ChatOpenAI(),

retriever=vectorstore.as_retriever()

)

result = qa_chain.run("Q3 营收是多少？")

🧠 底层流程： 用户提问 → 检索相关片段 → 送入大模型 → 生成答案 → 响应用户

✨ 目的：结合“上下文 + 问题”，给出准确、有依据的回答 ✅

流程图示意：

💡 总结一句话：

LangChain 文档问答 = 读文档 + 分片段 + 建索引 + 智能问答，打造属于你的 ChatPDF！ 💬📄🤖

三、构建问答系统：LangChain RAG 实战项目

上面的技术相信你已经了解了，接下来我们动手做一个小实验，

我有一个员工管理规范的word，现在，我要将它提取分块后，写入到本地数据库FAISS中

当用户发起聊天时，基于员工管理规范回答用户的问题

流程如下：

1、安装依赖

首先，安装该项目的依赖，在终端执行下面的命令：

pip install docx langchain openai faiss-cpu

2、读取 Word 文件内容

LangChain 没有直接提供 Word 加载器，我们使用 python-docx：

from docx import Document

def load_word_file(path):

doc = Document(path)

content = "\n".join([para.text for para in doc.paragraphs if para.text.strip()])

return content

这段代码的作用是：读取指定路径的 Word 文件，提取出其中所有有效的文本段落，并将它们拼接成一个以换行符分隔的大字符串。我们可以通过调用这个函数，方便地获取文档的全部文本内容，以便后续的处理（如切分、向量化等）。

3、切分文本为 chunks

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain.docstore.document import Document as LCDocument

# 加载文本

raw_text = load_word_file("C:/Users/LMT/Desktop/员工管理规范.docx")

# 创建 LangChain Document 对象

doc = LCDocument(page_content=raw_text)

# 切分

splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)

docs = splitter.split_documents([doc])

这段代码的总体目标是：

加载文档：首先，从指定路径加载 Word 文件，并提取文本内容。

封装文档：将文本内容封装到 LangChain 的 LCDocument 对象中，方便后续操作。

切分文本：使用 RecursiveCharacterTextSplitter 将长文本按字符数切分为多个较小的片段，每个片段最多 500 个字符，并允许 100 个字符的重叠部分。

最终，docs 变量将包含一个由多个切分后的 LCDocument 对象组成的列表，这些对象分别代表了文档的不同片段，准备好进行向量化、存储或者其他处理。

4、向量化 + 存储到 FAISS 数据库

from langchain.embeddings import OpenAIEmbeddings

from langchain.vectorstores import FAISS

# 创建嵌入模型（你也可以换成 HuggingFaceEmbeddings 或其他）

embeddings = OpenAIEmbeddings()

# 向量化 & 构建 FAISS 向量数据库

vectorstore = FAISS.from_documents(docs, embeddings)

# 可选：保存到本地

vectorstore.save_local("faiss_index")

这段代码的功能是：

创建嵌入模型：利用 OpenAI 的 GPT 模型将文档内容转换为嵌入向量（每个文档块都会有一个高维的向量表示，捕捉它的语义）。

向量化并构建 FAISS 向量数据库：利用 FAISS 库将这些嵌入向量存储在一个高效的向量数据库中，便于后续进行相似度搜索。

保存向量数据库：将构建的 FAISS 向量数据库保存到本地磁盘，方便后续加载和使用。

最终，这样的存储和向量化过程，使得后续的问答系统能够非常高效地从文档中检索出相关信息，以便生成准确的答案。

5、构建问答链（Retrieval + LLM）

from langchain.chat_models import ChatOpenAI

from langchain.chains import RetrievalQA

# 加载本地向量库（如需要）

vectorstore = FAISS.load_local("faiss_index", embeddings, allow_dangerous_deserialization=True)

# 构建问答链

qa = RetrievalQA.from_chain_type(

llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo"),

retriever=vectorstore.as_retriever(),

return_source_documents=True

)

# 用户提问

query = "我是一名工龄10年的员工，我每年有多少年假？"

result = qa(query)

# 打印结果

print("🤖 答案：", result['result'])

print("📄 来源片段：")

for doc in result['source_documents']:

print("-", doc.page_content[:100])

这段代码实现了以下功能：

加载本地 FAISS 向量数据库：从磁盘加载之前保存的向量数据库。

构建问答链：创建一个基于 OpenAI GPT 模型和 FAISS 向量数据库的问答系统。

用户提问：用户输入问题，系统会通过 FAISS 检索相关文档，并通过 GPT 生成答案。

打印答案和来源片段：显示生成的答案以及相关的文档片段，帮助用户了解模型如何得出答案。

📦 补充说明：

模块功能python-docx读取 Word 文档内容RecursiveCharacterTextSplitter将长文本拆成多个小块OpenAIEmbeddings文本嵌入向量生成器FAISS本地向量数据库（快 + 离线可用）RetrievalQA从向量库中取回内容+交给 LLM 回答问题

6、完整代码

from docx import Document

from langchain.text_splitter import RecursiveCharacterTextSplitter

from langchain.docstore.document import Document as LCDocument

from langchain.embeddings import OpenAIEmbeddings

from langchain.vectorstores import FAISS

from langchain.chat_models import ChatOpenAI

from langchain.chains import RetrievalQA

def load_word_file(path):

doc = Document(path)

content = "\n".join([para.text for para in doc.paragraphs if para.text.strip()])

return content

# 加载文本

raw_text = load_word_file("C:/Users/LMT/Desktop/员工管理规范.docx")

# 创建 LangChain Document 对象

doc = LCDocument(page_content=raw_text)

# 切分

splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)

docs = splitter.split_documents([doc])

# 创建嵌入模型（你也可以换成 HuggingFaceEmbeddings 或其他）

embeddings = OpenAIEmbeddings()

# 向量化 & 构建 FAISS 向量数据库

vectorstore = FAISS.from_documents(docs, embeddings)

# 可选：保存到本地

vectorstore.save_local("faiss_index")

embeddings = OpenAIEmbeddings()

# 加载本地向量库（如需要）

vectorstore = FAISS.load_local("C:/Users/LMT/PycharmProjects/AI/LangChain/Document_Q&A/faiss_index", embeddings, allow_dangerous_deserialization=True)

# 构建问答链

qa = RetrievalQA.from_chain_type(

llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo"),

retriever=vectorstore.as_retriever(),

return_source_documents=True

)

# 用户提问

query = "我是一名工龄10年的员工，我每年有多少年假"

result = qa(query)

# 打印结果

print("🤖 答案：", result['result'])

print("📄 来源片段：")

for doc in result['source_documents']:

print("-", doc.page_content[:100])

7、测试运行

提问 "我是一名工龄10年的员工，我每年有多少年假"

执行结果如下：

答案来源：

员工管理规范.docx

8、优化建议

🚀 BONUS：可选优化方向：

优化点说明使用 HuggingFaceEmbeddings免费本地化 Embedding 模型使用 Chroma替代 FAISS，支持持久化更方便构建前端用 Gradio / Streamlit 做个简单问答界面上下文记忆增强多轮提问体验文档多语种支持支持英文/中英混合文档

💕💕💕每一次的分享都是一次成长的旅程，感谢您的陪伴和关注。希望这些文章能陪伴您走过技术的一段旅程，共同见证成长和进步！😺😺😺

🧨🧨🧨让我们一起在技术的海洋中探索前行，共同书写美好的未来！！！