chore: rename multiple files to improve importability and module structure

m06_rag_basics/build_index.py

@@ -0,0 +1,62 @@
+# 仅负责: 切片 -> 向量化 -> 构建索引 -> 保存到磁盘
+# 运行一次即可，无需每次检索都运行
+from embeddings import get_embeddings
+import os
+from langchain_community.document_loaders import TextLoader
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from langchain_community.vectorstores import FAISS
+
+# 准备知识库内容
+knowledge_base_content = """
+### 模块 01 — Agent 入门 & 环境搭建
+
+- **目标**：理解 Agent 概念，完成环境配置与首次调用。
+- **内容**：环境依赖｜API Key 配置｜最小可运行 Agent
+
+### 模块 02 — LLM 基础调用
+
+- **目标**：掌握模型调用逻辑，初步构建智能体能力。
+- **内容**：LLM了解与调用｜Prompt编写与逻辑构思｜多轮对话记忆｜独立搭建一个智能体
+
+### 模块 03 — Function Calling 与工具调用
+
+- **目标**：实现 LLM 调用外部函数，赋予模型“执行力”。
+- **内容**：Function calling原理｜工具函数封装｜API接入实践｜多轮调用流程｜Agent能力扩展
+
+### 模块 04 — LangChain 基础篇
+
+- **目标**：认识Langchain六大模块，学会用Langchain构建智能体。
+- **内容**：LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
+
+### 模块 05 — LangChain 进阶篇
+
+- **目标**：掌握Langchain Agents的核心机制，构建能调用工具、持续思考、具备记忆的智能体。
+- **内容**：Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
+
+"""
+
+with open("knowledge_base.txt",'w',encoding='utf8') as f:
+    f.write(knowledge_base_content)
+
+
+# 1. 加载并切分文档 (Load&Split)
+loader = TextLoader("knowledge_base.txt",encoding='utf8')
+docs = loader.load()
+text_splitter = RecursiveCharacterTextSplitter(chunk_size=250,chunk_overlap=40) # 载入切分器模板
+splits = text_splitter.split_documents(docs) # 运行切分器
+print(f'p1完成，文档已切分成{len(splits)}个片段\n')
+
+# 2. 向量化(Embedding)
+embeddings_model = get_embeddings() # 载入向量化模型
+print(f'p2完成，Embedding模型已准备\n') #
+
+# 3. 存储(Store)
+db = FAISS.from_documents(splits,embeddings_model) # 将分割块与向量化的模型传递给FAISS，FAISS会使用它们并完成最终向量数据库的构建。
+
+db.save_local("faiss_index")
+print(f'p3完成，向量数据库{db}已构建')
+
+# 清理临时文件
+os.remove("knowledge_base.txt")
+
+print('---所有阶段已经完成!---')

m06_rag_basics/embedding.py

@@ -0,0 +1,18 @@
+from embeddings import get_embeddings
+
+
+# 首次运行可能时间较久 -- 同时运行本文件需要梯子，不然无法加载到本地
+print('---正在加载本地嵌入模型(bge-small-zh-v1.5)...---')
+
+# 理论：有embedding的向量模型
+embeddings_model = get_embeddings("bge-small-zh-v1.5")
+print('嵌入模型载入完毕')
+
+# 演示：将文本转换为向量
+text = "模块05的目标是什么"
+query_embedding = embeddings_model.embed_query(text)
+
+# 验证：向量存在，而且有具体数值
+print(f'文本:{text}')
+print(f'向量(前五维):{query_embedding[:5]}')
+print(f'向量维度:{len(query_embedding)}')

m06_rag_basics/load_and_split.py

@@ -0,0 +1,82 @@
+import os
+from langchain_community.document_loaders import TextLoader # 加载
+from langchain_text_splitters import RecursiveCharacterTextSplitter # 分割
+
+
+# 创建一个演示txt文件
+knowledge_base_content = """
+### 模块 01 — Agent 入门 & 环境搭建
+
+- **目标**：理解 Agent 概念，完成环境配置与首次调用。
+- **内容**：环境依赖｜API Key 配置｜最小可运行 Agent
+
+### 模块 02 — LLM 基础调用
+
+- **目标**：掌握模型调用逻辑，初步构建智能体能力。
+- **内容**：LLM了解与调用｜Prompt编写与逻辑构思｜多轮对话记忆｜独立搭建一个智能体
+
+### 模块 03 — Function Calling 与工具调用
+
+- **目标**：实现 LLM 调用外部函数，赋予模型“执行力”。
+- **内容**：Function calling原理｜工具函数封装｜API接入实践｜多轮调用流程｜Agent能力扩展
+
+### 模块 04 — LangChain 基础篇
+
+- **目标**：认识Langchain六大模块，学会用Langchain构建智能体。
+- **内容**：LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
+
+### 模块 05 — LangChain 进阶篇
+
+- **目标**：掌握Langchain Agents的核心机制，构建能调用工具、持续思考、具备记忆的智能体。
+- **内容**：Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
+
+"""
+
+
+with open('knowledge_base.txt','w',encoding='utf8') as f:
+    f.write(knowledge_base_content)
+
+# 1.加载
+# TextLoader 读取.txt文件，并将其转换为Document对象
+loader = TextLoader('knowledge_base.txt',encoding='utf8')
+docs = loader.load()
+print(f'{docs}已加载完成!')
+
+# 2.分割
+text_splitter = RecursiveCharacterTextSplitter(
+    # 本节重点
+    chunk_size=250, # 设定的chunk块大小(字符数),
+    chunk_overlap=40 # 设定的重叠大小(字符数)
+) # 创建分割器的配置模板
+splits = text_splitter.split_documents(docs) # 实际执行切割
+
+print(f'分块结果:{len(splits)}')
+
+for i,doc in enumerate(splits):
+    print(f'片段{i+1}(长度:{len(doc.page_content)})')
+    print(doc.page_content)
+    print('-'*100+'\n')
+
+
+# 观察：
+# 我们的文本被分割成了四块，没有一块的长度超过250.
+# 所以没有用到overlap(重叠)，这是最好的结果
+
+# 删除txt文件
+os.remove('knowledge_base.txt')
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+

m06_rag_basics/rag_chain_full.py

@@ -0,0 +1,109 @@
+from embeddings import get_embeddings
+from config import OPENAI_API_KEY
+import os
+from langchain_community.document_loaders import TextLoader
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from langchain_community.vectorstores import FAISS
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.output_parsers import StrOutputParser
+from langchain_core.runnables import RunnablePassthrough
+
+# --- 模块A (离线操作) ---
+# 1. 加载&分割 2. 向量化 3. 存储
+KNOWLEDGE_BASE_CONTENT = """
+### 模块 01 - Agent 入门 & 环境搭建
+- **目标**: 理解 Agent 概念, 完成环境配置与首次调用。
+- **内容**: 环境依赖 | API Key 配置 | 最小可运行 Agent
+
+### 模块 02 - LLM 基础调用
+- **目标**: 掌握模型调用逻辑, 初步构建智能体能力。
+- **内容**: LLM 了解与调用 | Prompt 编写与逻辑构思 | 多轮对话记忆 | 独立构建一个智能体
+
+### 模块 03 - Function Calling 与工具调用
+- **目标**: 实现 LLM 调用外部函数, 赋予模型“执行力”。
+- **内容**: Function calling 原理 | 工具函数封装 | API 接入实践 | 多轮调用流程 | Agent 能力扩展
+
+### 模块 04 - LangChain 基础篇
+- **目标**: 认识 LangChain 六大模块, 学会用 LangChain 构建智能体。
+- **内容**: LLM 调用 | Prompt 设计 | Chain 构建 | Memory 记忆 | 实战练习
+
+### 模块 05 - LangChain 进阶篇
+- **目标**: 掌握 LangChain Agents 的核心机制, 构建能调用工具、持续思考、具备记忆的智能体。
+- **内容**: Function Calling | @tool 工具封装 | ReAct 循环 | Agent 构建 | SQL Agent | 记忆+流式 | 开发优化
+"""
+with open("knowledge_base.txt", "w", encoding="utf-8") as f:
+    f.write(KNOWLEDGE_BASE_CONTENT)
+
+loader = TextLoader('knowledge_base.txt',encoding='utf8')
+docs = loader.load()
+text_splitter = RecursiveCharacterTextSplitter(chunk_size=250,chunk_overlap=40)
+splits = text_splitter.split_documents(docs)
+embedding_model = get_embeddings("bge-small-zh-v1.5")
+db = FAISS.from_documents(splits,embedding_model) # 在内存中构建向量索引，但不持久化到本地文件
+print('---模块A(Indexing)完成---\n')
+
+
+
+# --- 模块B (在线运行:Online R-A-G Flow) ---
+print('--- 模块B R-A-G正在构建---\n')
+
+# 1. R (Retrieval - 检索)
+retrieve = db.as_retriever(search_kwarg={"k":1}) # 只返回最相关的1个
+
+# 2. A (Augmented - 增强)
+system = """
+请你扮演一个 Ai Agent 教学助手。
+请你只根据下面提供的“上下文”来回答问题。
+如果上下文中没有提到，请回答“对不起，我不知道”。
+
+[上下文]:
+{context}
+
+[问题]:
+{question}
+"""
+prompt = ChatPromptTemplate.from_messages([
+    ('system',system),
+    ('human','{question}')
+])
+
+# 3. G (Generation - 生成)
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=OPENAI_API_KEY,
+    base_url="https://api.deepseek.com"
+)
+
+# 4. 辅助函数：将检索到的Doc原始文档对象格式化为字符串，让llm能读懂
+def format_docs(docs):
+    return "\n".join(doc.page_content for doc in docs)
+
+
+# 5. 组装 RAG 链条(LCEL)
+rag_chain = (
+    {"context":retrieve | format_docs,"question":RunnablePassthrough()}
+    | prompt
+    | llm
+    | StrOutputParser()
+)
+
+# --- 运行 RAG 链 ---
+
+question = '模块05的目标是什么？'
+response = rag_chain.invoke(question)
+print(f'提问:{question}')
+print(f'回答:{response}\n')
+
+question = 'Langchain进阶篇讲了什么？'
+response = rag_chain.invoke(question)
+print(f'提问:{question}')
+print(f'回答:{response}\n')
+
+question = '今天天气怎么样？'  # 知识库中没有
+response = rag_chain.invoke(question)
+print(f'提问:{question}')
+print(f'回答:{response}\n')
+
+# 清理临时文件
+os.remove("knowledge_base.txt")