首先需要进行初始化配置。

import os
# hugging face镜像设置，如果国内环境无法使用启用该设置
# os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
from dotenv import load_dotenv
from langchain_community.document_loaders import UnstructuredMarkdownLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

load_dotenv()

使用 dotenv.load_dotenv() 从本地 .env 文件中加载诸如 OPENAI_API_KEY 等配置，供后续模型调用自动读取；接着依次引入 Markdown 文档加载器、递归文本切分器（将长文本按语义优先级拆分为适合向量化和检索的小块）、HuggingFace Embeddings（将文本编码为高维语义向量）、内存向量存储（用于保存向量并执行相似度检索）、Prompt 模板构建器（用于结构化拼接系统与用户指令），以及 OpenAI 聊天模型封装类（负责最终调用大模型生成回答）。

文本分块的本质目的是把“大段原始文本”切成“语义尽量完整、大小可控、适合向量化与检索的小片段。RecursiveCharacterTextSplitter()（递归分割策略）的思想可以理解为先尝试“语义上自然的切分方式”，如果块仍然过大，再降级到更细粒度的切分方式。

它的工作流程类似于

如果按段落切后仍然超过 chunk_size
    ↓
按行切
    ↓
还不行
    ↓
按空格切
    ↓
再不行
    ↓
按字符硬切

我们将块大小chunk_size和块重叠chunk_ovelap分别设置为4000和200，前者表示分块的大小，后者表示块B会“继承”块A末尾的 200 字符以防止语义分割。

在数据准备完成之后，构建向量索引，本质上是将已经分割好的文本块映射到一个可计算的语义空间中，并建立支持相似度检索的结构。

通过 HuggingFaceEmbeddings 加载嵌入模型，负责将文本转换为高维向量表示，设置 normalize_embeddings=True 则会对生成的向量做归一化处理，使其长度为 1，从而在后续计算余弦相似度时可以直接使用点积进行高效匹配，并保证数值稳定性。随后，使用 InMemoryVectorStore 初始化一个内存中的向量存储对象，并通过 add_documents(texts) 将分割后的文本块逐条转换为向量并存入索引结构中。

vectorstore.similarity_search(question, k=3)，其内部流程是：将问题通过同一个嵌入模型编码为查询向量 vqv_qvq​，然后与索引中所有文本向量 viv_ivi​ 计算相似度（通常是归一化后的点积或余弦相似度），最后选出相似度最高的前 k 个文本块返回。这里的 k=3 表示只取最相关的三个片段，用于后续生成。

检索得到的是若干 Document 对象，每个对象包含 page_content（文本内容）和 metadata（元信息）。随后通过 "\n\n".join(...) 将多个文本块拼接成一个大的上下文字符串。之所以使用双换行符而不是单换行，是为了在语义上形成明显的段落边界，让大模型在理解时能够区分不同来源的片段，从而减少语义混淆。这一步的本质是构造“可控上下文输入”。

接下来进入生成阶段。通过 ChatPromptTemplate.from_template 构建一个结构化提示模板，其中显式规定：回答必须基于提供的上下文，如果信息不足必须拒答。这是一种典型的“约束式提示设计”，目的是降低幻觉风险，强化基于检索内容作答的行为。模板中的 {context} 和 {question} 是占位符，后续会被实际内容替换。

然后初始化 ChatOpenAI 客户端，指定所用模型（例如 glm-4.7-flash-free）、温度参数 temperature=0.7（控制生成随机性，数值越高回答越发散）、最大生成长度 max_tokens=2048，以及 API 密钥和接口地址。这里本质上是配置一个符合 OpenAI 协议的对话模型推理客户端。

最后，通过 llm.invoke(prompt.format(...)) 将问题和检索到的上下文填充进提示模板，形成完整输入，并发送给大模型进行推理。模型根据提示约束和提供的上下文生成答案，返回结果后打印输出。