2025.11.6

07_rag_advanced/01_load_from_chroma.py

@@ -0,0 +1,84 @@
+# pip install --upgrade langchain-openai
+# pip install --upgrade langchain-huggingface langchain-core langchain-community
+# pip install --upgrade langchain-core langchain-community
+import os
+from dotenv import load_dotenv
+from langchain_core.runnables import RunnablePassthrough
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+import os
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_chroma import Chroma
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import StrOutputParser
+
+
+Persist_directory = './chroma_db_war_and_peace_bge_small_en_v1.5'
+Embedding_model = 'BAAI/bge-small-en-v1.5'
+
+if not os.path.exists(Persist_directory):
+    print(f"错误: 知识库文件 {Persist_directory} 未找到。")
+    print("请先运行'build_index.py'生成向量数据库，再运行该文件")
+    exit()
+
+print('---加载本地向量数据库---')
+
+# 模块A:链接本地Chroma向量数据库
+# 1. 加载 Embedding 模型
+embedding_model = HuggingFaceEmbeddings(model_name=Embedding_model)
+
+# 2. 从本地目录加载Chroma DB
+db = Chroma(
+    persist_directory=Persist_directory,
+    embedding_function=embedding_model
+)
+print(f'Chroma数据库已从本地加载(共{db._collection.count()}条)\n')
+
+# 模块B:R-A-G Flow
+# 1. R-检索
+retriever = db.as_retriever(search_kwargs={"k": 3})  # 召回3条相关数据
+
+# 2. A-增强
+sys_prompt = """
+你是一个博学的历史学家和文学评论家。
+请根据以下上下文回答问题。如果上下文**强烈暗示**了答案，即使未明说，也可推理回答。
+如果完全无关，请回答“对不起，根据所提供的上下文我不知道”。
+
+[上下文]: {context}
+[问题]: {question}
+"""
+prompt = ChatPromptTemplate.from_messages([
+    ('system', sys_prompt),
+    ('human', '{question}')
+])
+
+# 3. G-生成
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# 4. 辅助函数
+def format_docs(docs):
+    return "\n".join(doc.page_content for doc in docs)
+
+
+# 5. 组装RAG链条(LCEL)
+rag_chain = (
+    {"context":retriever | format_docs, "question": RunnablePassthrough()}
+    | prompt
+    | llm
+    | StrOutputParser()
+)
+# 运行RAG链
+print('---正在运行RAG链条---')
+question = '莫斯科大火发生在小说的哪一部分？有哪些角色亲历了这场灾难？'
+response = rag_chain.invoke(question)
+print(f'提问:{question}')
+print(f'回答:{response}')
+
+