https://python.langchain.com.cn/docs/expression_language/cookbook/retrieval

超简单RAG讲解：只盯1个案例，全程看数据怎么变（初学者版）

这次咱们只抓一个核心案例——“查Harrison在哪工作”，全程不跳步、不新增场景，每一步都告诉你：现在有什么数据、要做什么、做完后数据变成什么样，连函数里的参数来源、中间结果都给你打印出来看，绝对不丢数据、不模糊。

一、先明确最终目标

咱们就做一件事：让AI基于“外部文本（只有1句话：harrison worked at kensho）”回答问题，流程是：
用户问“where did harrison work？” → 从外部文本里找到相关内容 → AI用找到的内容回答。

二、完整代码+逐步数据拆解（全程跟着数据走）

下面代码是“从0到1跑通”的完整版本，每个步骤都标了“数据说明”，你复制到编辑器里，跟着注释跑，能看到每一步的中间数据。

# -------------------------- 步骤1：装工具（第一次运行要执行） --------------------------
# 作用：安装需要的库（向量库、AI模型、嵌入工具）
%pip install --upgrade --quiet langchain langchain-openai faiss-cpu tiktoken

# -------------------------- 步骤2：导入必须的工具 --------------------------
# 只导入这次要用的，不多导，避免混乱
from langchain_community.vectorstores import FAISS  # 存文本向量的库
from langchain_core.prompts import ChatPromptTemplate  # 提示模板
from langchain_core.output_parsers import StrOutputParser  # 把AI输出转成字符串
from langchain_openai import ChatOpenAI, OpenAIEmbeddings  # AI模型+文本转向量工具
from langchain_core.runnables import RunnablePassthrough  # 传递数据用的工具

# -------------------------- 步骤3：准备“外部文本”和“向量库” --------------------------
# 数据说明1：咱们只有1条外部文本，就是要让AI参考的内容
external_text = ["harrison worked at kensho"]  # 列表格式，里面是要检索的文本

# 数据说明2：初始化“文本转向量工具”——把文字变成电脑能比较的数字
embedding_tool = OpenAIEmbeddings()

# 数据说明3：把外部文本转成向量，存到“向量库”里
# 输入：external_text（要存的文本）、embedding_tool（转向量的工具）
# 输出：vectorstore（向量库，里面存着“文本向量”和对应的原文）
vectorstore = FAISS.from_texts(external_text, embedding=embedding_tool)

# 打印看看向量库有什么（初学者必看！）
print("步骤3：向量库存储的原文是：", vectorstore.similarity_search("随便问个问题")[0].page_content)
# 输出：harrison worked at kensho（证明向量库存对了）

# -------------------------- 步骤4：准备“检索器”——找相关文本用 --------------------------
# 数据说明：从向量库生成“检索器”，作用是“输入问题，返回向量库中最像的文本”
retriever = vectorstore.as_retriever()

# 先测试检索器好不好用（初学者必看！）
# 输入：问题“where did harrison work？”
# 输出：检索到的相关文本（Document对象，page_content里是原文）
retrieved_docs = retriever.invoke("where did harrison work？")
print("\n步骤4：检索器找到的文本是：", retrieved_docs[0].page_content)
# 输出：harrison worked at kensho（证明检索器能找到正确内容）

# -------------------------- 步骤5：写“合并文档函数”——把检索到的文本变干净 --------------------------
# 问题：检索器返回的是“Document对象列表”（像这样：[Document(page_content="xxx")]），AI看不懂
# 作用：把这个列表转成AI能看懂的纯字符串
def _combine_documents(docs):
    # 数据说明：docs是检索器返回的Document列表（比如步骤4里的retrieved_docs）
    print("\n步骤5：_combine_documents函数的输入（检索到的Document列表）：", docs)
    
    # 提取每个Document里的“page_content”（就是原文），拼成一个字符串
    clean_text = "\n\n".join([doc.page_content for doc in docs])
    
    print("步骤5：_combine_documents函数的输出（干净的纯文本）：", clean_text)
    return clean_text  # 输出："harrison worked at kensho"

# 测试这个函数（初学者必看！）
clean_text = _combine_documents(retrieved_docs)
# 输出：步骤5的输入是[Document(...)], 输出是"harrison worked at kensho"

# -------------------------- 步骤6：准备“提示模板”——告诉AI怎么回答 --------------------------
# 作用：强制AI“只看检索到的文本（context）回答，不瞎编”
# 占位符：{context}（检索到的干净文本）、{question}（用户的问题）
prompt_template = ChatPromptTemplate.from_template("""
Answer the question based only on the following context:
{context}
Question: {question}
""")

# -------------------------- 步骤7：准备“AI模型”——生成回答用 --------------------------
ai_model = ChatOpenAI()  # 初始化AI模型（用OpenAI的模型）

# -------------------------- 步骤8：构建完整链——把所有步骤串起来 --------------------------
# 核心：数据从左到右流，每一步都告诉你“x是什么”“输出是什么”
chain = (
    # 步骤8.1：处理输入——把用户的问题，变成后续步骤需要的格式
    # 数据说明：此时“x”是用户传入的问题（比如"where did harrison work？"）
    # 输出：一个字典，里面有2个键：
    # - "context"：用检索器找到文本，再用_combine_documents转成干净字符串
    # - "question"：用户的问题（原封不动传过来）
    lambda x: {
        "context": _combine_documents(retriever.invoke(x)),  # x是用户问题，先检索再合并
        "question": x  # 原封不动传递用户问题
    }
    # 步骤8.2：填充提示模板——把上面的字典（context+question）放进模板里
    # 数据说明：输入是步骤8.1的字典，输出是“完整提示”（比如：“Answer based on... context: harrison... question: where...”）
    | prompt_template
    # 步骤8.3：AI生成回答——用完整提示让AI写回答
    # 数据说明：输入是完整提示，输出是AI的回答（AIMessage对象）
    | ai_model
    # 步骤8.4：转成字符串——把AI的回答（AIMessage）转成普通人能读的文字
    # 数据说明：输入是AIMessage对象，输出是纯字符串（比如"Harrison worked at Kensho."）
    | StrOutputParser()
)

# -------------------------- 步骤9：测试链——看最终结果 --------------------------
# 数据说明：输入用户的问题（字符串）
user_question = "where did harrison work？"
final_answer = chain.invoke(user_question)

# 打印最终结果
print("\n步骤9：最终回答：", final_answer)
# 输出：Harrison worked at Kensho.（完美！AI用外部文本回答对了）

三、关键问题：每个参数/中间数据都给你说透

你之前看不懂的“参数传递”“中间数据”，这里逐个拆解：

1. _combine_documents函数的参数docs是什么？

• 来源：是retriever.invoke(用户问题)的返回值，格式是“Document对象列表”，比如：
  [Document(page_content="harrison worked at kensho")]
• 为什么要这个参数：因为检索器返回的是“带格式的对象”，AI看不懂，需要提取里面的page_content（纯文本）；
• 输出：纯字符串，比如"harrison worked at kensho"。

2. 链里的lambda x: {...}是什么意思？x从哪来？

• x的来源：x就是你最后调用chain.invoke(用户问题)时传入的“用户问题”（比如"where did harrison work？"）；
• 作用：把x（用户问题）转换成后续步骤需要的“字典格式”（必须有context和question两个键，因为提示模板里要用到这两个占位符）；
• 中间结果：比如x是"where did harrison work？"，这个lambda的输出是：
  {"context": "harrison worked at kensho", "question": "where did harrison work？"}。

3. 整个流程的“数据变化”是怎样的？（一句话总结）

用户问题（字符串）→ 检索器找相关文本（Document列表）→ _combine_documents转成干净文本（字符串）→ 拼成完整提示（字符串）→ AI生成回答（AIMessage对象）→ 转成纯字符串（最终回答）。

四、为什么这次你能看懂？

1. 只盯1个案例：全程就查“Harrison在哪工作”，不换场景，你不用记多个案例的逻辑；
2. 每个步骤都打印中间数据：步骤3、4、5、9都打印了数据，你能亲眼看到“输入→输出”的变化，不是凭空想象；
3. 函数参数说透来源：不模糊说“参数是文档列表”，而是告诉你“参数来自检索器的返回值，格式是XXX”，连例子都给你；
4. 代码不分散：从安装工具到最终测试，所有代码连在一起，你复制就能跑，不用前后翻找。

结尾：帮你做“可交互的中间数据查看版”

要不要我帮你整理一份“带实时打印中间数据的代码”？在每个关键步骤都加print，你跑的时候能看到“数据从用户问题变成context，再变成提示，最后变成回答”的全过程，就像“看着数据一步步走”，彻底不用猜中间是什么。