基于LangChain框架搭建AI问答系统(附源码)

1. 背景知识

在人工智能技术飞速发展的今天，知识库问答系统已成为企业、教育、医疗等领域实现高效信息检索与智能交互的核心工具。传统问答系统往往依赖人工编写的规则或固定模板，难以应对复杂多变的业务场景和海量数据。而基于大语言模型（LLM）的智能问答系统，通过自然语言处理（NLP）技术，能够自动理解用户问题并从知识库中精准检索答案，显著提升了信息处理的效率与用户体验。

LangChain 作为当前最流行的框架之一，为开发者提供了构建端到端AI应用的强大工具链。它通过模块化设计，将大语言模型（如GPT、Llama等）、外部数据源（文档、数据库、API等）和智能代理（Agent）无缝集成，支持快速实现知识库问答、对话生成、自动化任务等复杂功能。相较于从零开发，LangChain大幅降低了技术门槛，使开发者能够专注于业务逻辑而非底层实现。

问答系统：是一种基于人工智能和自然语言处理技术的智能工具，它允许用户通过自然语言提问，并从文档中提取相关信息来生成准确的回答。

无论是希望快速搭建原型的技术爱好者，还是需要为企业定制智能客服的开发者，本项目均能提供从理论到实践的完整指导。接下来，我们将从环境配置开始，逐步实现一个功能完备的AI知识库问答系统。

2. 问答系统流程

本项目旨在基于 Python 和 LangChain框架，构建一个可扩展的知识库问答系统，其核心目标包括：

1. 支持多格式外部数据加载：从PDF、Word、CSV、excel等非结构化数据中提取知识，构建统一的知识库。
2. 结合大语言模型的语义理解能力：通过向量检索（Embedding）和上下文增强技术，实现精准答案生成。

通过本项目，读者将掌握：

• LangChain框架的核心组件（Document Loaders、Embeddings、Vector Stores、Chains）的使用方法；
• 如何将本地或在线文档转化为可查询的知识库(向量库)；
• 如何结合LLM实现语义搜索与答案生成；

本项目模式
支持：支持加载多种类型数据（pdf、word、excel、md、json、yaml、csv、html等）
支持：多种大模型（deepseek、千帆、智普等）

流程图

基于上述流程图涉及到的功能点如下

功能点	说明
文档加载器	知识库多种格式数据加载
文档切割	将大块文本切割为多个小文本，便于后续处理
模型嵌入包装器	将文本转换为向量
向量库	存储模型嵌入包装器文本转换的向量，同时支持文本相关度检索
大模型	Deepseek、qianfan等大模型框架
chain链	支持将向量库命中的文档传递给大模型的文档链

3. 知识问答系统相关组件

3.1 文档加载器

​ 在 LangChain 和 大语言模型（LLM）应用 中，文档加载器（Loader 的作用是 从 PDF、CSV、txt、excel等 文件中提取文本内容，并将其转换为 LLM 可处理的格式（如字符串、列表或结构化数据），以便后续进行 文本分割（Text Splitting）、嵌入（Embedding）、问答（QA）或总结（Summarization） 等任务。

工具名称	使用场景
PdfReader	PyPDF2中操作pdf工具
TextLoader	加载txt文本文件
CSVLoader	加载CSV格式的文件
UnstructuredExcelLoader	加载excel格式文件
JSONLoader	加载json格式文件
UnstructuredMarkdownLoader	加载MD格式文件

我们的文档系统支持加载多种数据格式，比如pdf、txt、csv、excel, 这里加载文本后获取的数据有两种格式

1. 一种是返回原始的文本列表 list[Document]
2. 一种是统一转换为文本格式（个人发现：使用非结构化的文本数据，向量库的检索的准确率更高，模型回答效果更好）

下面列举上述文本加载的python代码（代码很多但是超级简单）

• 加载并转换为文档

import osfrom PyPDF2 import PdfReader
from langchain_community.document_loaders import TextLoader, CSVLoader, UnstructuredExcelLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.documents import Document# 文本转换为 list[Document]：对于pdf、txt非结构化数据处理
def textSplitForDocs(content: str) -> list[Document]:"""将文本内容进行切割，返回切割后的文本列表使用 langchain_text_splitters 库进行切割Args:content (str): 待切割的文本内容Returns:list[str]: 切割后的文本列表"""# 初始化递归字符分割器 （每个文档库100字、每个文档块可以允许重复10个字）# 重叠字符数：为了分割文字同时不破化其语义完整性splitter = RecursiveCharacterTextSplitter(chunk_size=100,      # 每个文档块的最大字符数chunk_overlap=10     # 相邻文档块之间的重叠字符数)# 将文本分割成多个 Document 对象docs = splitter.create_documents([content])return docs  #PdfReader 加载器 加载pdf文件
def loadPyPdf2Loader(pdf_path: str) -> list[Document]:"""从本地路径加载 PyPDF2 并返回 Document 列表使用 PyPDF2 库进行加载Args:pdf_path (str): PDF 的本地路径（如 "path/to/your/pdf.pdf"）Returns:list[Document]: 包含文本内容和元数据的 Document 列表"""#入参 pdf文档路径 加载完成padReader = PdfReader(pdf_path)raw_text = ''# 遍历 PDF 的每一页for page in padReader.pages:#提取文本内存（目前不考虑图片相关资源）text = page.extract_text()#拼接成长文本if text:raw_text += text#长文本分割并转换为Document列表        return textSplitForDocs(raw_text)#TextLoader 加载器 加载txt文件
def loadTextLoader(text_path: str) -> list[Document]:"""从本地路径加载txt文件:param text_path: 文件路径:return: 文本信息"""#校验文件路径if not os.path.exists(text_path):raise FileNotFoundError(f"输入文件不存在: {text_path}")#文件路径、编码方式(中文需要指定，否则会乱码)   创建加载器 load = TextLoader(text_path, encoding="utf-8")# 加载文本文件 直接会返回document列表 文件内容按自然段落或换行符分割成文档列表# 不完全符合我们要求，故此处还是拼接文本，在调用方式按照我们要求分隔文本docs = load.load()raw_text = ''for doc in docs:text = doc.page_contentif text:raw_text += text#长文本分割并转换为Document列表         return textSplitForDocs(raw_text)#CSVLoader 加载器 加载csv文件（结构化数据直接load 即可获取Document列表）
def loadCSVLoader(cvs_path: str) -> list[Document]:"""加载CSV格式文件:param cvs_path:  csv文件路径:return: 获取到的文本信息"""csvLoader = CSVLoader(cvs_path, encoding="utf-8")docs = csvLoader.load()return docs#UnstructuredExcelLoader 加载器 加载excel文件（结构化数据直接load 即可获取Document列表）
def loadExclLoader(excl_path: str) -> list[Document]:"""加载excel文件:param excl_path: 文件路径:return: excel中文本信息"""loader = UnstructuredExcelLoader(excl_path, encoding="utf-8")docs = loader.load()return docs##### 其他格式文档加载待补充  

• 加载并转换为纯文本格式

#逻辑与上述加载文本转换为文档列表大体一致，主要添加了将数据提取为长文本并分割
import osfrom PyPDF2 import PdfReader
from langchain_community.document_loaders import TextLoader, CSVLoader, UnstructuredExcelLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.documents import Documentdef loadPyPdf2Loader(pdf_path: str) -> list[str]:"""从本地路径加载 PyPDF2 并返回 字符串结婚 列表使用 PyPDF2 库进行加载Args:pdf_path (str): PDF 的本地路径（如 "path/to/your/pdf.pdf"）Returns:list[str]: 包含文本内容列表"""padReader = PdfReader(pdf_path)raw_text = ''for page in padReader.pages:text = page.extract_text()if text:raw_text += textreturn textSplitter(raw_text)def loadTextLoader(text_path: str) -> list[str]:"""从本地路径加载txt文件:param text_path: 文件路径:return: 文本信息"""#校验文件路径if not os.path.exists(text_path):raise FileNotFoundError(f"输入文件不存在: {text_path}")load = TextLoader(text_path, encoding="utf-8")docs = load.load()raw_text = ''for doc in docs:text = doc.page_contentif text:raw_text += textreturn textSplitter(raw_text)def loadCSVLoader(cvs_path: str) -> list[str]:"""加载CSV格式文件:param cvs_path:  csv文件路径:return: 获取到的文本信息"""csvLoader = CSVLoader(cvs_path, encoding="utf-8")docs = csvLoader.load()raw_text = ''for doc in docs:text = doc.page_contentif text:raw_text += textreturn textSplitter(raw_text)def loadExclLoader(excl_path: str) -> list[str]:"""加载excel文件:param excl_path: 文件路径:return: excel中文本信息"""try:loader = UnstructuredExcelLoader(excl_path, encoding="utf-8")docs = loader.load()  # 在这里卡住说明是加载器内部问题except Exception as e:print(f"加载失败: {str(e)}")raiseraw_text = ''for doc in docs:text = doc.page_contentif text:raw_text += textreturn textSplitter(raw_text)

3.2 文档切割器

​ 在大语言模型（LLM）应用 中，文档切割器（Text Splitter） 的核心作用是 将长文本拆分成更小的、符合模型输入限制的片段（chunks），同时尽可能保留语义完整性。它是连接 原始文档 和 LLM 处理单元 的关键工具，尤其在处理长文档（如 PDF、书籍、报告）时必不可少。

类名	功能描述	核心参数	适用场景
CharacterTextSplitter	按固定字符数或分隔符（如换行符、空格）切割文本。	- chunk_size: 最大块大小（字符数） - chunk_overlap: 块间重叠字符数 - separator: 分隔符（默认 \n\n）	简单文本切割，无需语义结构（如日志、纯文本）。
RecursiveCharacterTextSplitter	递归尝试多种分隔符（如段落、句子、空格），优先保留语义边界。	- chunk_size: 最大块大小 - chunk_overlap: 块间重叠 - separators: 分隔符优先级列表（默认 ["\n\n", "\n", " ", ""]）	通用文本切割（如文章、书籍、网页内容）。
MarkdownHeaderTextSplitter	按 Markdown 标题层级（如 #、##）切割文本，保留章节结构。	- headers_to_split_on: 标题元组列表（如 [("#", "Header 1"), ("##", "Header 2")]）	Markdown 文档（如技术文档、笔记）。
HTMLSectionSplitter	按 HTML 标签（如 <h1>、<p>）切割文本，保留 HTML 结构。	- tag_names: 标签名列表（如 ["h1", "p"]） - attributes_to_keep: 保留的属性（如 ["class"]）	HTML 文档（如网页、报告）。
TokenTextSplitter	按 Token 数量（而非字符数）切割文本，适合需要精确控制 Token 的场景（如 GPT 模型）。	- chunk_size: 最大 Token 数 - model_name: 用于分词的模型名（如 "gpt2"）	需要与 LLM Token 限制对齐的场景（如 OpenAI API）。
LanguageSplitter	按 自然语言边界（如句子、段落）切割，支持多语言（需指定语言模型）。	- chunk_size: 最大块大小 - language: 语言代码（如 "en"、"zh"） - model_name: 分词模型名	多语言文本切割（如中文、英文混合文档）。

如果上述返回的是纯文本，则需要长文本转换为小的满负荷模型输入限制的片段，文档分割器就派上用场了。

from langchain_text_splitters import RecursiveCharacterTextSplitterdef textSplitter(content: str) -> list[str]:"""将文本内容进行切割，返回切割后的文本列表使用 langchain_text_splitters 库进行切割Args:content (str): 待切割的文本内容Returns:list[str]: 切割后的文本列表"""splitter = RecursiveCharacterTextSplitter(chunk_size=100,      # 每个文档块的最大字符数chunk_overlap=10     # 相邻文档块之间的重叠字符数)# chunk_size:每个文档块的最大字符数  chunk_overlap:相邻文档块之间的重叠字符数splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=10)# 文档分割texts = splitter.split_text(content)return texts

3.3 嵌入模型包装器

​ 嵌入模型包装器是自然语言处理（NLP）框架中的核心组件，其核心作用是将 文本数据转换为浮点数值向量（Embedding），从而可以分析文本的相似度。后续将其存储在向量库中，便于后续的搜索使用等。

类名	功能描述	核心参数
OpenAIEmbeddings	调用 OpenAI 或 Azure OpenAI 的嵌入模型（如 text-embedding-ada-002），将文本转换为高维向量。	- model: 模型名称（如 text-embedding-ada-002） - api_key: OpenAI API 密钥 - inputs: 输入文本（字符串或字符串列表）
QianfanEmbeddingsEndpoint	百度千帆平台的嵌入模型包装器，支持多种嵌入模型，提供稳定的 API 接口。	- endpoint: 千帆平台 API 地址 - qianfan_ak: 千帆平台 Access Key - qianfan_sk: 千帆平台 Secret Key - model: 模型名称（如 qianfan-embedding-model）
ZhipuAIEmbeddings	智谱 AI 的嵌入模型包装器，用于生成文本的嵌入向量，支持参数配置和错误处理。	- model: 模型名称（如 zhipuai-embedding-model） - batch_size: 批量处理大小 - max_retries: API 调用最大重试次数
BaichuanTextEmbeddings	百川智能开发的中文文本嵌入模型，专注中文语义理解，生成高维度向量。	- model: 模型名称（如 baichuan-text-embedding） - max_tokens: 最大处理 token 数（如 512） - dimension: 输出向量维度（如 1024）

如下是我整合了千帆、智普、百川三个平台的模型嵌入包装器（为啥没有openAI 因为需要🪜）其他国产大模型的嵌入模型包装器我没有找到对应的demo ,参考文档：langchain嵌入模型包装器

import os
from pathlib import Pathfrom dotenv import load_dotenv
from langchain_community.embeddings import BaichuanTextEmbeddings, QianfanEmbeddingsEndpoint, ZhipuAIEmbeddings
from langchain_core.embeddings import Embeddings
from langchain_openai import  OpenAIEmbeddings#支持百川大模型、千帆大模型、智普AI模型
def getEmbeeding(modelName: str) -> Embeddings:"""获取嵌入模型包装器Args:modelName (str): 嵌入模型名称Returns:Embeddings: 嵌入模型对象"""#加载配置信息 (安全) #大模型相关key存储在resource/.env BASE_DIR = Path(__file__).parent.parentload_dotenv(dotenv_path=BASE_DIR / "resource" / ".env")if modelName == "baichuan":# 百川大模型#1.获取对应的apikeybai_chuan_api_key = os.getenv("BAI_CHUAN_API_KEY")#2.创建百川嵌入模型包装器return BaichuanTextEmbeddings(baichuan_api_key=bai_chuan_api_key)elif modelName == "qianfan":# 千帆大模型（文心一言）#1.获取千帆ak、skqianfan_ak = os.getenv("QIANFAN_AK")qianfan_sk = os.getenv("QIANFAN_SK")#2.创建千帆的嵌入模型包装器return QianfanEmbeddingsEndpoint(qianfan_ak=qianfan_ak,qianfan_sk=qianfan_sk)elif modelName == "zhipu":# 智普AI模型#1. 获取智普apikeyzhipu_api_key = os.getenv("zhipu-api-key")#2. 创建智普的嵌入模型包装器return ZhipuAIEmbeddings(model="embedding-3",api_key=zhipu_api_key)elif modelName == "openai":# openai大模型 TODO 没有open_ai 的keyreturn OpenAIEmbeddings()else:return None

资源添加resource/.env

#百川大模型 apiKey(注册申请)
BAI_CHUAN_API_KEY=sk-XXXXX#智普AI的api-key
zhipu-api-key=fxxx#千帆大模型
QIANFAN_AK=xxx
QIANFAN_SK=xxxx#openai
OPEN_AI_KEY=xxxxx

3.4 向量存储库

向量存储库（Vector Store）是专门用于存储、索引和检索高维向量数据的数据库系统，支持存储向量。从而支持相似性搜索、语义理解能力、多模态支持等。

1. 高效存储高维向量：支持海量高维向量的压缩存储，例如文本、图像、音频等非结构化数据经嵌入模型转换后的向量。
2. 相似性搜索：通过近似最近邻（ANN）算法（如HNSW、IVF-PQ、LSH）快速查找与查询向量最相似的向量集合，而非传统数据库的精确匹配。
3. 语义理解能力：基于向量间的距离度量（如余弦相似度、欧氏距离），实现基于语义的搜索，而非关键词匹配。
4. 多模态支持：可处理文本、图像、音频等多种数据类型的向量表示，支持跨模态检索。
5. 可扩展性：设计用于处理大规模数据，支持分布式部署和水平扩展。

类名	功能描述	核心参数
Milvus	开源的分布式向量数据库，支持多种索引类型（如HNSW、IVF_PQ），适用于大规模向量相似性搜索。	- dim：向量维度 - index_type：索引类型（如IVF_FLAT、HNSW） - metric_type：距离度量方式（如L2、IP）
FAISS	Facebook AI Research开发的开源库，针对相似性搜索优化，支持GPU加速。	- dim：向量维度 - M（HNSW参数）：每个节点的最大连接数 - efConstruction（HNSW参数）：构建索引时的搜索范围
Pinecone	全托管的向量数据库服务，提供高性能的向量搜索，支持实时更新和水平扩展。	- dimension：向量维度 - metric：距离度量方式（如cosine、euclidean） - pod_type：计算资源类型（如s1.x1）
Weaviate	开源的向量数据库，结合语义搜索与图形数据库特性，支持自动schema推断和丰富的GraphQL API。	- vectorizer：嵌入模型配置（如text2vec-contextionary） - distance：距离度量方式（如cosine）
Chroma	开源的、AI本地的嵌入式向量数据库，支持查询、过滤、密度估计等多种功能。	- 支持多种嵌入模型（如BERT、CLIP） - 提供Python API，易于集成到AI应用中
Qdrant	开源的向量相似性搜索引擎和数据库，提供生产就绪的服务和易于使用的API。	- dim：向量维度 - distance：距离度量方式（如cosine、euclidean） - hnsw_m：HNSW参数，每个节点的最大连接数
Elasticsearch + pgvector	传统数据库添加的向量搜索功能，支持SQL查询和向量检索的混合搜索。	- dim：向量维度 - distance：距离度量方式（如l2、inner_product）
Annoy	轻量级开源库，适合大型数据集的近似最近邻搜索，特点是构建索引速度快且占用空间小。	- f：向量维度 - metric：距离度量方式（如angular、euclidean） - n_trees：树的数量
HNSWlib	实现HNSW算法的库，支持高效的近似最近邻搜索。	- dim：向量维度 - space：距离度量方式（如cosine、l2） - M：每个节点的最大连接数

这里我使用的是FAISS向量库，存储嵌入模型包装器（该向量库对于数字类型查询不太理想，准确度较低，对于文字相关搜索精确度挺高，后续看演示吧）

保存向量库数据

def saveFAISSVector(indexPath: str) -> None:"""加载外部数据并将其存储到向量库中:param indexPath: 向量库路径"""# 加载pdf文件pdf_texts = loadPyPdf2Loader("doc_data/member.pdf")# 加载文本文件txt_texts = loadTextLoader("doc_data/crm_info.txt")# 加载CSV格式文件csv_texts = loadCSVLoader("doc_data/cust_info.csv")# 加载Excel格式文件excel_texts = loadExclLoader("doc_data/dms.xlsx")# 3. 合并 PDF 和 TXT 的文档列表texts = pdf_texts + txt_texts + csv_texts + excel_texts# 3.使用嵌入模型包装器，将文档转换嵌入向量embeddings = getEmbeeding(embeeding_model)# vectors = embeddings.embed_documents(texts)# 4. 创建向量数据库并与嵌入模型连接，# 将文本转换为向量，并保存到向量数据库中docSearch = FAISS.from_texts(texts, embeddings)# 持久化向量库docSearch.save_local(indexPath)print("向量库保存成功！")

加载向量库 用于查询使用

def loadFAISSVector(indexPath: str) -> FAISS:"""加载 FAISS 向量库:param index: 向量库路径:return: FAISS 对象"""return FAISS.load_local(indexPath, getEmbeeding(embeeding_model),allow_dangerous_deserialization=True)

文档检索

我们从向量库中加载相关向量后，需要从向量库中进行检索，并将检索出来的数据(document 列表)作为背景信息传递给大模型

 # 5.查询数据从向量库# query是自然语言查询条件docs = docSearch.similarity_search(query, k=6)print("命中的文档数：", len(docs))

3.5 模型包装器

模型包装器（Model Wrappers）是 LangChain 的核心组件之一，其作用是为大语言模型提供一层抽象接口，封装模型的调用、输入输出处理以及配置管理等功能。

类名	作用	功能用法
ChatOpenAI	LangChain 中用于与 OpenAI 聊天模型交互的核心类，提供多种方法来调用和管理对话	- 核心方法： - invoke()：同步调用模型，获取完整响应。 - stream()：流式响应，适合逐步显示结果的场景。 - generate()：批量生成，同时处理多个用户输入，返回包含元数据的完整响应对象。 - bind_tools()：绑定工具调用，将函数调用能力绑定到当前模型。 - with_structured_output()：结构化输出，强制模型返回结构化数据。 - with_fallbacks()：失败回退，设置模型调用失败时的备用模型。 - 配置相关方法： - 模型参数设置，如 model（模型名称）、temperature（随机性控制）、max_tokens（最大输出长度）等。 - 异步方法： - 所有核心方法都有对应的异步版本，如 ainvoke()、astream() 等。 - 使用示例： - 同步调用：response = chat.invoke("你好!") - 流式处理：for chunk in chat.stream("请写一首关于春天的诗"): print(chunk.content, end="", flush=True) - 批量生成：result = chat.generate([[HumanMessage(content="2+2等于多少?")]])
QianfanChatEndpoint	百度千帆平台提供的聊天模型端点，支持多轮对话和历史消息记录	- 多轮对话：维护对话上下文，支持连续交互。 - 历史消息记录：记录对话历史，便于追溯和复用。 - 应用场景：聊天机器人、客服系统、智能问答等需要对话交互的场景。 - 使用方式：在千帆平台中配置模型参数，通过API调用实现对话功能。
ChatDeepSeek（假设类名，基于DeepSeek模型）	封装DeepSeek大语言模型的调用接口，提供文本生成、语义理解、代码生成等功能	- 文本生成：支持文章、故事、诗歌创作，营销文案生成等。 - 自然语言理解：语义解析、情感分析、意图识别、实体提取。 - 编程辅助：代码生成、补全、调试建议，API文档生成。 - 数据可视化：生成流程图、折线图、柱状图等图表。 - 使用方式：通过官方网站或API调用，输入提示语（Prompt）获取输出。

#目前支持 deepseek、qianfan、zhipu
def getLLM(modelName: str) -> BaseChatModel:"""获取大模型对象Args:modelName (str): 模型名称Returns:BaseChatModel: 模型对象"""#加载配置信息 (安全)BASE_DIR = Path(__file__).parent.parent.parentload_dotenv(dotenv_path=BASE_DIR / "resource" / ".env")if modelName == "deepseek":# deepseek大模型api_key = os.getenv("DEEPSEEK_API_KEY")return ChatDeepSeek(model="deepseek-chat",temperature=0,max_tokens=None,timeout=None,max_retries=2,openai_api_key=api_key,)elif modelName == "qianfan":# 千帆大模型app_id = os.getenv("QIANFAN_APPID")access_token = os.getenv("QIANFAN_TOKEN")return QianfanChatEndpoint(model="ERNIE-Tiny-8K",temperature=0.2,timeout=30,app_id=app_id,access_token=access_token)elif modelName == "zhipu":# 智普AI模型api_key = os.getenv("zhipu-api-key")# 初始化一个 ChatOpenAI 对象（即一个 LLM 模型接口）return ChatOpenAI(temperature=0.95,  # 控制生成文本的随机性（0=确定性强，1=随机性强）model="glm-4-air-250414",  # 指定模型名称（这里是智谱 GLM-4 的某个版本）openai_api_key=api_key,  # 你的 API 密钥（需提前定义变量 api_key）openai_api_base="https://open.bigmodel.cn/api/paas/v4/"  # 智谱 AI 提供的 API 基础地址)elif modelName == "openai":# openai大模型 TODO 没有open_ai 的keyreturn ChatOpenAI()else:return None

3.6 链组件

​ 在 LangChain 中，链（Chain） 是核心抽象概念之一，它代表一个将多个组件（如大语言模型LLM、提示词模板prompt、工具调用toool、其他链等）按特定逻辑组合起来的可执行流程。链的设计使得复杂任务可以分解为可复用的模块，并通过组合这些模块实现灵活的功能扩展。下面列举几个常用链

• 基础链（Basic Chains）

简单任务的基础组件。

链类型	核心作用	典型适用场景
LLMChain	直接调用 LLM 完成单步文本生成或问答。	单轮问答、提示词测试、简单文本生成。
SequentialChain	按顺序执行多个链（如 Chain1 → Chain2），支持线性流程。	多步骤任务（如数据清洗 → 分析 → 报告生成）。
SimpleSequentialChain	简化版的顺序链，固定输入输出结构。	标准化线性流程（如固定格式的文档处理）。

• 2. RAG 链（Retrieval-Augmented Generation Chains）

通过检索实时更新的外部知识库（如新闻、数据库、API），将最新信息作为上下文输入大模型，生成准确回答。

链类型	核心作用	典型适用场景
Stuff Documents Chain	合并输入：将多个文档拼接成一个长文本，直接传给 LLM 处理。	短文档问答（文档总长度 < LLM max_tokens）、简单信息提取。
Map-Reduce Documents Chain	分治处理： 1. Map：对每个文档单独处理（如生成摘要、提取关键信息）； 2. Reduce：合并所有处理结果后传给 LLM 生成最终输出。	长文档总结、多文档信息聚合（如新闻汇总、产品评论分析）。
Refine Documents Chain	迭代优化： 1. 生成初步回答； 2. 基于所有文档逐步优化回答（多次交互）。	复杂问题优化（如法律条文分析、科研文献综述）、需要多轮修正的高精度任务。
Map-Rerank Chain	生成-排序： 1. Map：批量生成多个候选结果（如答案、摘要、选项）； 2. Rerank：按评分标准（如相关性、准确性）对候选结果排序，选择最优解。	问答系统（多答案选择）、搜索结果优化、文本摘要质量提升、推荐系统候选筛选。

• 3. 代理链（Agent Chains）

通过工具扩展 LLM 能力，实现自动化。

链类型	核心作用	典型适用场景
Zero-Shot Agent	通过自然语言描述工具，自主选择工具完成任务。	简单自动化任务（如“查询天气”“计算数学题”）。
ReAct Agent	结合推理（Reasoning）和行动（Action），支持多步决策。	复杂逻辑任务（如“规划旅行路线”“诊断系统故障”）。
Conversational Agent	支持对话历史记忆，实现多轮上下文交互。	聊天机器人、客服系统、个人助手。

• **4. 高级推理链（Advanced Reasoning Chains） **

针对特定场景优化（如知识图谱、辩论）。

链类型	核心作用	典型适用场景
GraphQA Chain	基于知识图谱进行关系推理和问答。	结构化知识查询（如“XX 和 XX 的关系是什么？”）。
Debate Chain	通过多 LLM 角色辩论优化回答质量。	高质量内容生成（如论文写作、创意策划）。

• 多模态链（Multimodal Chains）

支持非文本数据（图像、音频）与 LLM 交互。

链类型	核心作用	典型适用场景
Vision-Language Chain	处理图像和文本混合输入（如 OCR + LLM 描述图像）。	图像分析、图表解读、视觉问答。
Audio-Language Chain	处理音频和文本混合输入（如语音转文字 + LLM 总结）。	语音助手、会议纪要生成、音频内容分析。

我们的问答系统，需要将向量库使用RAG代理增强，对文本进行代理增强。实现了stuff链(文档问答链）代码如下

stuff链(文档问答链)

def qa_stuff(docs: list[Document], query: str):"""创建一个基于 Stuff 策略的问答链，将多个文档合并后传给 LLM 回答用户问题。Args:docs (list[Document]): 文档列表，每个文档包含文本内容和元数据。query (str): 用户提出的查询问题。Returns:str: LLM 生成的回答结果。"""# 1. 定义系统提示模板（System Prompt）#    - 指导模型如何利用提供的文档回答问题#    - 强调“不知道就说明不知道”，避免编造答案system_template = "使用以下背景信息来回答用户的问题。如果你不知道答案，只需说明不知道，不要编造答案。{context}"# 2. 构建完整的提示模板（Prompt Template）#    - 包含系统消息（System Message）和用户消息（Human Message）messages = [# 系统消息：设置模型行为规则SystemMessagePromptTemplate.from_template(system_template),# 用户消息：包含实际查询问题HumanMessagePromptTemplate.from_template("{question}"),]# 3. 创建聊天提示模板（ChatPromptTemplate）#    - 将消息列表转换为 LangChain 可识别的提示格式chat_prompt = ChatPromptTemplate.from_messages(messages)# 4. 创建 Stuff 文档链#    - 使用自定义的聊天提示模板#    - 指定 LLM 模型（这里调用 getLLM 函数获取 "deepseek" 模型）chain = create_stuff_documents_chain(llm=getLLM("deepseek"),  # 获取 LLM 模型实例prompt=chat_prompt       # 使用上面定义的聊天提示模板)# 5. 执行链式调用#    - 输入参数：#       - context: 要合并的文档列表（会自动拼接）#       - question: 用户查询问题result = chain.invoke({"context": docs,  # 文档上下文（会自动转换为字符串）"question": query # 用户问题})# 6. 返回结果return result

至此，langchain的所有核心组件讲完，同时我们问答系统的所有流程也编写完成！下面让我们进入演示环节。

4. 问答系统演示

4.1 问答程序

调用我们上面章节的相关代码，我们便编写完了一个基于知识库的AI智能问答系统。流程如下

def qa_system(query: str) -> None:"""基于向量检索和LLM的问答系统主流程：1. 将数据保存到FAISS向量库（若不存在则创建）2. 从本地加载向量库3. 执行相似度检索获取相关文档4. 使用Stuff链将文档和问题传给LLM生成答案Args:query (str): 用户输入的自然语言查询问题Returns:None (结果直接打印，如需返回可修改为return result)"""# 1. 保存/更新数据到FAISS向量库#    - 如果向量库已存在则直接使用，不存在则创建新索引#    - faiss_index_name 是全局常量，指定索引存储路径saveFAISSVector(faiss_index_name)# 2. 从本地加载FAISS向量库#    - 返回的docSearch是已初始化的向量检索器#    - 内部包含嵌入模型(embedding model)和FAISS索引docSearch = loadFAISSVector(faiss_index_name)# 3. 执行相似度检索#    - 参数说明：#       - query: 用户查询文本#       - k=6: 返回最相似的6个文档（可根据需求调整）#    - 返回的docs是Document对象列表，包含文本内容和元数据docs = docSearch.similarity_search(query, k=6)print("命中的文档数：", len(docs))  # 调试信息：实际检索到的文档数量# 4. 调用Stuff链处理文档并生成答案#    - qa_stuff函数实现：#      1) 将所有文档内容合并为单个字符串#      2) 添加系统提示词指导LLM回答#      3) 调用LLM生成最终答案result = qa_stuff(docs, query)# 5. 输出最终结果print("最终答案：", result)#启动程序
if __name__ == "__main__":#用户输入提问query = input("你想要问些什么？")#问答qa_system(query)

4.2 演示大模型回答效果

知识库和向量库

图中是我的建立的知识库以及向量库。

pdf_qa_system.py 是将所有数据转换为文档存入向量 (针对数字类型的问答不准确)

pdf_qa_system_text.py 是将所有数据转换为长文本分割成多个文档存入向量 （各个维度查询准确度都很高）

命中知识库的回答：

​ 首先在【3.1 文档加载器】加载了不同类型的文档知识，例如加载了：csv格式的客户数据：

客户id	客户姓名	客户类型	营业执照	地址	锁定状态
1000002007	塔德伊·波加查	经销商	91588888MAAK96L889	北京市石景山区八角游乐园	锁定

可以针对上述数据任何维度进行问答。问答效果如下：

不命中的效果

5.问答系统代码

链接: 代码原文件地址

项目目录结构
lang_chain_qa/
└── doc_data/ 知识库资源 （目前是空自行补充）
├── faiss_index/ 向量库持久化文件（文档类型）
├── faiss_text_index/ 向量库持久化文件（文本类型）
├── crm_info.txt 资源
├── cust_info.csv 资源
├── dms.xlsx 资源
├── mathPix.md 资源
├── member.pdf 资源
├── pdf_qa_system.py 文档类型数据知识问答
├── pdf_qa_system_text.py 文本类型数据知识问答
└── rerank_prompt.py

至此，我们一步一步的手写了一份知识库问答系统，如有问题欢迎指正。原创不易，对你有帮助还请一键三连。