【Task02】：四步构建简单rag（第一章3节）

1. 基于LangChain框架的RAG实现

围绕 "数据准备、索引构建、查询检索、生成集成" 四步，实现 LangChain 框架下的 RAG 应用，通过嵌入模型将文本转为向量索引，检索相关信息后结合大语言模型生成答案。

1.1 初始化设置

核心操作 ：导入依赖库（如TextLoader、HuggingFaceEmbeddings）、加载环境变量（load_dotenv()），为后续模块做基础配置。

1.2 数据准备 (Data Preparation)

加载文档 ：通过TextLoader加载指定路径的 Markdown 文件（如easy-rl-chapter1.md），获取原始文档数据（docs）。
文本分块 ：使用RecursiveCharacterTextSplitter（默认参数）分割长文档，核心规则如下：
- 分隔符顺序：\n\n（段落）→\n（行）→（空格）→空字符，优先保留语义单元。
- 默认配置：chunk_size=4000（单块最大长度）、chunk_overlap=200（块间重叠，减少上下文丢失），保留分隔符（keep_separator=True）。

1.3 索引构建 (Index Construction)

1. 初始化嵌入模型 ：加载中文嵌入模型BAAI/bge-small-zh-v1.5，配置 CPU 运行、启用向量归一化（normalize_embeddings=True）。

python 复制代码

embeddings = HuggingFaceEmbeddings(
    model_name="BAAI/bge-small-zh-v1.5",
    model_kwargs={'device': 'cpu'},
    encode_kwargs={'normalize_embeddings': True}
)

2. 构建向量存储 ：通过InMemoryVectorStore，将分块文本（texts）经嵌入模型转为向量，存储到内存中，形成可查询的向量索引。

1.4 查询与检索 (Query and Retrieval)

定义查询：设置用户问题（如 "文中举了哪些例子？"）。
相似性检索 ：调用向量存储的similarity_search方法，查询与问题最相关的k=3个文本块（retrieved_docs）。
准备上下文 ：用双换行符（\n\n）连接检索到的文本块内容（doc.page_content），清晰区分不同语义片段，便于大模型理解。

3.5 生成集成 (Generation Integration)

构建提示模板 ：用ChatPromptTemplate定义规则，要求模型基于上下文回答，信息不足时返回指定话术。
配置大模型 ：初始化ChatDeepSeek，指定模型（deepseek-chat）、温度（0.7）、最大 Token 数（2048），从环境变量加载 API 密钥。
生成并输出答案 ：将问题和上下文传入提示模板，调用llm.invoke()生成答案并打印。

2. 低代码（基于LlamaIndex）

python 复制代码

import os
# os.environ['HF_ENDPOINT']='https://hf-mirror.com'  # 注释掉的HF镜像配置（国内访问加速用）
from dotenv import load_dotenv  # 用于加载环境变量
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings  # LlamaIndex核心组件
from llama_index.llms.deepseek import DeepSeek  # DeepSeek大语言模型集成
from llama_index.embeddings.huggingface import HuggingFaceEmbedding  # HuggingFace嵌入模型
load_dotenv()  # 从.env文件加载环境变量（通常存放API密钥等敏感信息）
# 配置大语言模型（LLM）为DeepSeek
Settings.llm = DeepSeek(
    model="deepseek-chat",  # 使用的DeepSeek模型名称
    api_key=os.getenv("DEEPSEEK_API_KEY")  # 从环境变量获取API密钥
)

# 配置嵌入模型（用于将文本转换为向量）
Settings.embed_model = HuggingFaceEmbedding(
    "BAAI/bge-small-zh-v1.5"  # 百度的中文嵌入模型
)
documents = SimpleDirectoryReader(
    input_files=["../../data/C1/markdown/easy-rl-chapter1.md"]  # 指定要加载的文档路径
).load_data()  # 加载文档内容
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
print(query_engine.get_prompts())  # 打印当前查询引擎使用的提示词模板
print(query_engine.query("文中举了哪些例子?"))  # 查询文档中提到的例子并打印结果

练习

修改Langchain代码中RecursiveCharacterTextSplitter()的参数chunk_size和chunk_overlap，观察输出结果有什么变化。

分块数量与大小变化：

chunk_size=1000, chunk_overlap=100（默认）：平衡的分块策略，适合大多数场景

chunk_size=300, chunk_overlap=50（小块）：分块数量显著增加，每块更短

chunk_size=2000, chunk_overlap=300（大块）：分块数量减少，每块更长

对回答的影响：
- 小块配置 ：
  - 优点：检索到的内容更精确，相关性更高
  - 缺点：可能因上下文片段过短导致信息不完整，例子可能被分割到多个块中，导致回答不全面
- 大块配置 ：
  - 优点：上下文更完整，能保留例子的完整背景
  - 缺点：可能包含过多无关信息，降低检索精度，甚至超出模型上下文窗口

LangChain代码最终得到的输出携带了各种参数，查询相关资料尝试把这些参数过滤掉得到content里的具体回答。

python 复制代码

# 原代码
answer = llm.invoke(prompt.format(question=question, context=docs_content))
print(answer)

# 修改后
response = llm.invoke(prompt.format(question=question, context=docs_content))
# 提取纯文本回答
pure_answer = response.content
print(pure_answer)

根据上下文信息，文中举了以下例子：

**走迷宫机器人**：用于说明离散动作空间（只有往东、往南、往西、往北4种移动方式）和连续动作空间（可以向360度中的任意角度移动）。

**雅达利游戏（Pong）**：用于说明策略函数的输入（游戏的一帧）和输出（决定向左或向右移动），以及序列决策中奖励的延迟性（只有到游戏结束时才知道球是否被击打过去）。

**象棋**：作为奖励在事件结束时给出的例子（赢棋得正奖励，输棋得负奖励）。

**股票管理**：作为奖励由获取的奖励与损失决定的例子。

**走迷宫（从起点到终点）**：具体用于解释基于策略的强化学习（每个状态得到最佳动作）和基于价值的强化学习（每个状态返回一个价值）方法如何解决问题。

**Black jack游戏**和**自动驾驶**：用于说明部分可观测环境（智能体只能看到部分观测，如牌面上的牌或传感器信息）。