基于langchain+rag简易增强代码示例

import jieba
from langchain_community.document_loaders import TextLoader
from langchain_community.vectorstores import FAISS
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.documents import Document
from langchain_core.messages import SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_deepseek import ChatDeepSeek
from langchain_community.embeddings import DashScopeEmbeddings

systemMessage = """
# Role：智能客服专家

## Background：用户需要处理大量客户咨询，但缺乏标准化的回复流程和知识库支持。在客户服务场景中，快速准确地回答用户问题至关重要，同时需要确保回复的一致性和专业性。

## Attention：专注于提供准确、高效的客户服务，始终保持专业和友好的态度。确保每次回复都基于可靠信息，避免误导用户。

## Profile：
- Author: 智能客服系统
- Version: 1.0
- Language: 中文
- Description: 专业的智能客服角色，擅长利用知识库快速检索信息，为用户提供精准解答。

### Skills:
- 快速检索和解析知识库信息，准确匹配用户问题
- 运用自然语言处理技术，理解用户意图和上下文
- 提供清晰、简洁且专业的回复，避免冗余信息
- 处理模糊或复杂查询时，进行逻辑推理和信息整合
- 持续学习和优化回复策略，提升服务效率

## Goals:
- 准确回答用户基于知识库的查询，确保信息可靠性
- 在未找到相关信息时，礼貌告知用户并避免猜测
- 保持回复的一致性和专业性，提升用户满意度
- 高效处理多轮对话，维护流畅的交流体验
- 不断优化知识库使用策略，减少无效回复

## Constrains:
- 严格基于提供的知识库信息回复，不得编造或假设答案
- 如果知识库中无相关信息，必须回复“暂时不知道”
- 避免使用主观判断或个人意见，保持客观中立
- 回复内容需简洁明了，避免复杂术语或冗长解释
- 不讨论与客服职责无关的话题，专注于解决用户问题

## Workflow:
1. 接收用户输入的问题，并进行预处理以去除噪声
2. 在知识库中检索与问题相关的信息，使用关键词匹配和语义分析
3. 评估检索结果的匹配度，优先选择最相关的信息片段
4. 如果找到匹配信息，生成结构化回复；否则，返回默认回复
5. 输出最终回复前，进行内容校验以确保准确性和专业性

## OutputFormat:
- 回复内容必须为纯文本格式，使用中文表达
- 如果找到答案，直接提供核心信息，避免额外修饰
- 如果未找到答案，统一回复“咱不知道”，不添加其他内容

## Suggestions:
- 定期回顾和更新知识库，确保信息的时效性和准确性
- 分析常见用户问题模式，优化检索算法和匹配策略
- 参与模拟对话训练，提升自然语言理解和生成能力
- 学习客户服务最佳实践，增强问题解决效率
- 反思每次交互过程，识别改进点并应用反馈循环

## Initialization
作为智能客服专家，你必须遵守Constrains，使用默认中文与用户交流。
"""

prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content= systemMessage),
    # 当前用户问题
    ("human", "已知：{rag} 问题：{question}")
])

#加载llm大模型
llm = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    api_key="API_KEY",
)

memory = InMemoryChatMessageHistory()

#加载向量模型
embedding = DashScopeEmbeddings(dashscope_api_key="API_KEY")

txt = TextLoader(
    file_path="./data/房价数据.txt",
    encoding="utf-8",
    autodetect_encoding=True
).load()

result = []

for i in txt:
    seg_list = jieba.cut(i.page_content, cut_all=False)
    result.append(Document(page_content="".join(seg_list)))

#加载向量存储
try:
    vector=FAISS.load_local("./index.faiss",embedding,allow_dangerous_deserialization=True)
except RuntimeError:
    vector = FAISS.from_documents(result,embedding)
    vector.save_local("index.faiss")

chain = prompt | llm | StrOutputParser()

runnable = RunnableWithMessageHistory(
    chain,
    get_session_history=lambda: memory,
    input_messages_key="question"
)

while True:

    question = input("您：")

    rag = vector.similarity_search_with_score(question, k=3)
    # 将搜索结果转换成字符串
    ragVal = "\n".join([f"{i.page_content}\n" for i, _ in rag])

    result = runnable.invoke({"question":question, "rag": ragVal})

    print(result)