优秀的手机网站设计室内设计学校哪些比较好

一、引言：为什么测试工程师需要关注RAG？

作为一名测试工程师，你是否遇到过以下场景？

• 需要快速验证文档中某个关键数据的准确性
• 想通过自动化工具提取测试用例中的关键信息
• 希望构建智能问答系统辅助测试需求分析

RAG（检索增强生成）技术恰好能解决这些问题！本文将以电影《肖申克的救赎》为案例，手把手教你使用LangChain框架构建一个完整的RAG系统，通过代码实战展示如何将静态文档转化为可交互的知识库。需提取申请好deepseek的api-key及阿里的通义千问的api-key。本文使用deepseek作为chat大模型，通义千问的text-embedding-v2作为嵌入式模型。与项目源码同目录创建.env，内容如下图所示。

---

二、技术架构解析

1. 核心组件

模块	技术选型	作用
文档处理	PyPDFLoader	加载PDF文档
文本分割	RecursiveCharacterTextSplitter	将文档切分为可检索片段
向量生成	DashScopeEmbeddings	将文本转化为向量表示
向量存储	ChromaDB	构建语义索引
大模型	DeepSeek-Chat	生成最终回答
框架	LangChain	统一工作流编排

---

三、实战步骤详解

1. 环境准备

pip install langchain langchain_community langchain_core
pip install deepseek-ai dashscope chromadb

2. 关键代码解析

（1）文档加载与分割

from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("shrek_redemption.pdf")
documents = loader.load()# 分片策略：500字/块，50字重叠
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50
)
docs = text_splitter.split_documents(documents)

文档内容：

（2）向量化存储

from langchain_community.embeddings import DashScopeEmbeddings
embed_model = DashScopeEmbeddings(model="text-embedding-v2",dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)chroma = chromadb.PersistentClient(path='./chroma_db')
collection = chroma.get_or_create_collection(name='shrek_docs3',metadata={"hnsw:space":"cosine"}
)db = Chroma(client=chroma,collection_name='shrek_docs3',embedding_function=embed_model
)
db.add_documents(docs)

向量数据库初始化后如图所示：

文档向量化后存入到向量数据库中。

（3）构建RAG链

from langchain import hub
prompt = hub.pull("rlm/rag-prompt")rag_chain = ({"context": retriever | (lambda docs: "\n\n".join(doc.page_content for doc in docs)), "question": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)

---

效果：

四、测试工程师的实践价值

1. 自动化测试场景

• 测试用例生成：从需求文档中提取关键要素，自动生成测试用例
• 缺陷定位：当测试失败时，快速关联相关设计文档
• 数据验证：验证系统输出是否符合文档规范

2. 典型测试案例

测试场景	RAG应用
接口文档查询	快速定位接口字段定义
用户故事验证	核对实现功能与原始需求
数据库校验	比对数据库结构与设计文档

---

五、验证与调试技巧

1. 质量验证矩阵

指标	验证方法
准确性	对比系统输出与原始文档
召回率	检查是否覆盖所有关键信息
时效性	监控文档更新同步机制
完整性	验证分片是否包含上下文关联

2. 常见问题排查

• 空响应：检查向量数据库是否正常写入
• 错误答案：验证检索结果是否包含相关上下文
• 性能瓶颈：优化分片粒度和向量检索参数

---

六、进阶优化方向

1. 多模态支持：扩展支持图片、表格等非文本内容
2. 增量更新：实现文档变更的自动同步机制
3. 权重调整：通过测试反馈优化检索排序算法
4. 安全增强：添加敏感信息过滤模块

---

七、结语

通过本次实战，我们成功构建了一个基于《肖申克的救赎》文档的智能问答系统。作为测试工程师，掌握RAG技术不仅能提升测试效率，更能推动测试智能化转型。建议读者尝试以下练习：

• 将该方案应用于实际测试文档
• 对比不同分片策略的检索效果
• 集成到现有的测试自动化框架中

八、完整源码

from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
import os
from pprint import pprint
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings
import chromadb
from langchain_community.vectorstores import Chroma
from langchain import hub
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParserload_dotenv()  # 加载环境变量llm = ChatDeepSeek(model="deepseek-chat",  # 使用 DeepSeek-V3 模型api_key=os.getenv("DEEPSEEK_API_KEY"),api_base=os.getenv("DEEPSEEK_API_BASE"),temperature=0.7,  # 控制生成多样性max_tokens=512,   # 最大输出长度
)# 加载 PDF 文档
loader = PyPDFLoader("shrek_redemption.pdf")
documents = loader.load()# 切分文档为片段
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)
pprint(docs)# 初始化嵌入模型
embed_model = DashScopeEmbeddings(model="text-embedding-v2",dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)# 提取分片文档内容
texts = [doc.page_content for doc in docs]
# 批量生成向量
# vectors = embeddings.embed_documents(texts)
# 创建Chroma客户端
chroma = chromadb.PersistentClient(path='./chroma_db')
chroma.delete_collection(name='shrek_docs3')
collection = chroma.get_or_create_collection(name='shrek_docs3', metadata={"hnsw:space":"cosine"})
db=Chroma(client=chroma,collection_name='shrek_docs3', embedding_function=embed_model)
db.add_documents(docs)# 检索器
retriever = db.as_retriever()# 构造一个RAG"链"
prompt = hub.pull("rlm/rag-prompt")# 正确构造 rag_chain
rag_chain = ({"context": retriever | (lambda docs: "\n\n".join(doc.page_content for doc in docs)), "question": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)while True:user_input = input("问题：")if user_input.lower() == 'exit':breakresponse = rag_chain.invoke(user_input)print("大模型回答内容:", response)