深度解密LangChain与RAG：从零构建智能衣答系统，掌握大模型本地知识库的终极奥义

大家好，我是你们的技术伙伴。👋

在2026年的今天，大模型（LLM）已经渗透到我们生活的方方面面。但在实际业务中，我们经常面临一个痛点：如何让通用的大模型精准地理解特定领域的"黑话"？ 比如，在电商卖衣服时，客户问"我170高，140斤穿什么码？"，模型如果不懂你的库存尺码表，回答就是胡扯。

今天，我将基于Python 和LangChain 框架，带你从零构建一套 "智能衣答系统" 。我们将利用RAG（检索增强生成） 技术，让模型在没有经过专业微调的情况下，也能具备顶级服装销售专家的分析能力。

核心内容概览：

RAG核心架构：索引、检索、生成，三步走通本地知识库。
智能尺码推荐：基于本地文档的精准匹配，不再是瞎猜。
对话记忆维护：让AI记住你的喜好，实现连贯对话。
Streamlit可视化：快速构建Web界面，让Demo跑起来。

🧠 第一部分：RAG架构------给大模型一本"参考书"

很多初学者觉得大模型"不好用"，其实是因为它在"裸奔"------只有预训练时的知识，没有你当下的业务数据。RAG（检索增强生成） 就是解决这个问题的银弹。

工作流程：

索引（Indexing） ：把你的衣服属性文档（TXT/PDF）切分成小块，转化为向量，存入向量数据库。
检索（Retrieval） ：当用户提问时，把问题也转化为向量，在数据库里找最相似的Top-K个片段。
生成（Generation） ：把检索到的片段作为上下文，拼接到Prompt里，喂给大模型生成答案。

代码实现：构建向量数据库

ini 复制代码

from langchain_chroma import Chroma
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from model import embedding  # 假设你已经配置好了嵌入模型

def create_db(file_path, persist_directory='./chroma_data'):
    # 1. 加载文档
    loader = TextLoader(file_path, encoding='utf-8')
    docs = loader.load()
    
    # 2. 文本切分 (chunk_size: 块大小, chunk_overlap: 重叠字符数)
    text_splitter = CharacterTextSplitter(separator='\n', chunk_size=150, chunk_overlap=30)
    split_texts = text_splitter.split_documents(docs)
    
    # 3. 存入向量数据库
    vectorDB = Chroma.from_documents(
        documents=split_texts, 
        embedding=embedding, 
        persist_directory=persist_directory
    )
    return vectorDB.as_retriever(search_kwargs={'k': 2}) # 返回检索器，k=2表示返回2个最相关文档

👕 第二部分：智能衣答系统核心逻辑------精准推荐尺码

这是本项目的最核心部分。我们需要让模型根据用户提供的身高体重，去检索本地知识库中的尺码规则。

附件中的核心数据逻辑（模拟衣服属性.txt）：

身高160-170cm，体重90-115斤 -> M码
身高165-175cm，体重115-135斤 -> L码
身高170-178cm，体重130-150斤 -> XL码
... (以此类推)

代码实现：问答链 (qa_chain.py)

这里我们使用LCEL (LangChain Expression Language) 语法，这是目前最优雅的写法。

ini 复制代码

from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough, RunnableLambda
from langchain_core.output_parsers import StrOutputParser
from operator import itemgetter

# 1. 获取检索器 (复用上面的逻辑)
retriever = create_db('../data/衣服属性.txt')

# 2. 定义提示词模板
template_str = """你是一个专业的服装销售专家。请根据以下检索到的尺码表和用户的对话历史，回答用户的问题。
如果你在尺码表中找不到确切答案，请根据常识推断，但要说明是推断。

尺码表(参考):
{context}

历史对话:
{chat_history}

当前问题: {question}
回答: """

prompt = PromptTemplate.from_template(template_str)

# 3. 辅助函数：格式化对话历史
def format_chat_history(history):
    if not history:
        return "无历史对话"
    return "\n".join([f"用户: {q}\n助手: {a}" for q, a in history])

# 4. 构建LCEL链
qa_chain = (
    RunnablePassthrough.assign(
        context=itemgetter("question") | retriever, # 检索相关文档
        chat_history=itemgetter("chat_history") | RunnableLambda(format_chat_history) # 格式化历史
    )
    | prompt
    | llm  # 假设llm是你的大模型实例，如ChatTongyi()
    | StrOutputParser() # 解析输出为字符串
)

# 5. 调用示例
chat_history = []
question = "我身高170，体重140斤，应该买什么码？"
response = qa_chain.invoke({"question": question, "chat_history": chat_history})
print(response)
# 输出预期: "根据您的身高170cm和体重140斤，建议您购买XL码。"

💬 第三部分：对话记忆------让AI"记得住"你

普通的问答系统是"问一句答一句"，没有记忆。我们要打造的是能记住用户偏好的智能体。

核心技巧：

在调用链时，维护一个 chat_history 列表，每次问答后都追加进去。

python 复制代码

def qa(question, chat_history):
    """带记忆的问答函数"""
    # 调用链
    answer = qa_chain.invoke({
        "question": question, 
        "chat_history": chat_history
    })
    
    # 更新历史 (注意：这里假设你的UI或逻辑需要维护这个列表)
    chat_history.append((question, answer))
    
    # 限制历史长度，防止Token过长
    if len(chat_history) > 10:
        chat_history = chat_history[-10:]
        
    return answer, chat_history

🖥️ 第四部分：Streamlit可视化------一键启动你的智能客服

为了博取眼球，一个漂亮的Web界面是必须的。我们使用 Streamlit，几行代码就能搞定。

代码实现：web_qa.py

python 复制代码

import streamlit as st
from qa_chain import qa  # 导入你的核心问答逻辑

# 页面配置
st.set_page_config(page_title="智能衣答系统", page_icon="👗")
st.title("👗 智能衣答系统 - 你的专属AI穿搭顾问")

# 初始化会话状态 (用于存储对话历史)
if "messages" not in st.session_state:
    st.session_state.messages = []

# 展示历史消息
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.markdown(message["content"])

# 用户输入
if prompt := st.chat_input("请输入你的问题 (例如: 我170高140斤穿什么码?)"):
    # 显示用户输入
    with st.chat_message("user"):
        st.markdown(prompt)
    
    # 调用问答逻辑 (这里简化了历史传递，实际需处理st.session_state)
    with st.chat_message("assistant"):
        message_placeholder = st.empty()
        # 模拟流式输出或直接获取结果
        response, updated_history = qa(prompt, st.session_state.get('chat_history', []))
        message_placeholder.markdown(response)
        
        # 更新全局历史
        st.session_state.messages.append({"role": "user", "content": prompt})
        st.session_state.messages.append({"role": "assistant", "content": response})
        st.session_state.chat_history = updated_history

🏁 结语

通过上述四个部分的实战，我们完成了一个工业级 的智能问答系统原型。我们没有使用任何商业微调服务，仅仅通过Prompt Engineering 、RAG 和LangChain，就让大模型具备了专业的服装销售能力。

给读者的建议：

数据是核心：RAG的效果70%取决于你的本地文档质量。把尺码表、材质说明整理好。
多试切分参数 ：chunk_size 和 chunk_overlap 很关键，太小了丢失上下文，太大了检索不准。
拥抱LCEL：LangChain的新语法LCEL是未来的标准，写起来更简洁，逻辑更清晰。

如果你觉得这篇文章对你有帮助，希望点赞、收藏、关注！你的支持是我持续输出硬核内容的最大动力！