首页分享使用 LangChain 构建智能问答系统：结合 DeepSeek

使用 LangChain 构建智能问答系统：结合 DeepSeek

来源：萌宠菠菠乐园时间：2025-02-17 21:03

引言

在构建智能问答系统时，结合语言模型和向量检索技术可以显著提升系统的性能和用户体验。LangChain 提供了强大的工具来实现这一目标，而 DeepSeek-R1 和智普AI向量模型则为问答系统提供了强大的语言处理和语义检索能力。本文将通过一个实际的代码示例，展示如何使用 LangChain 构建一个智能问答系统。

代码解析与技术要点

1. 环境与模型创建

在开始之前，我们需要设置环境变量并引入必要的库。以下是代码中的环境准备部分：

import os from langchain_community.embeddings import ZhipuAIEmbeddings from langchain_community.vectorstores import FAISS from langchain_core.documents import Document from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnableLambda, RunnablePassthrough from langchain_openai import ChatOpenAI os.environ['ZHIPUAI_API_KEY'] = 'your_zhipuai_api_key_here' os.environ["OPENAI_API_KEY"] = "your_openai_api_key_here" # 创建语言模型 model = ChatOpenAI( model='deepseek-reasoner', base_url="https://api.deepseek.com" ) # 创建智普AI的向量模型 EMBEDDINGS = ZhipuAIEmbeddings(model="embedding-3") 1234567891011121314151617181920

技术要点：

os.environ['ZHIPUAI_API_KEY'] 和 os.environ["OPENAI_API_KEY"]：分别设置智普AI和DeepSeek-R1的API密钥，这是调用外部模型的必要步骤。

langchain_openai.ChatOpenAI 和 langchain_community.embeddings.ZhipuAIEmbeddings：分别使用LangChain封装的DeepSeek-R1模型接口和智普AI的向量嵌入模型。

2. 准备测试数据

为了测试问答系统，我们需要准备一些文档数据。以下代码展示了如何创建文档对象并构建向量存储：

documents = [ Document( page_content="仓鼠是夜行性动物，喜欢在轮子里奔跑。", metadata={"source": "哺乳动物宠物文档"}, ), Document( page_content="龙猫是温顺的宠物，拥有柔软的皮毛。", metadata={"source": "哺乳动物宠物文档"}, ), Document( page_content="热带鱼色彩斑斓，需要精心维护的水族箱环境。", metadata={"source": "鱼类宠物文档"}, ), Document( page_content="蜥蜴需要特定的温度和湿度环境，适合经验丰富的饲养者。", metadata={"source": "爬行动物宠物文档"}, ), Document( page_content="蛇类宠物需要专业的饲养知识，适合有经验的爱好者。", metadata={"source": "爬行动物宠物文档"}, ), Document( page_content="蜜袋鼯是可爱的飞行宠物，喜欢在空中滑翔。", metadata={"source": "哺乳动物宠物文档"}, ), Document( page_content="鸡尾鹦鹉是友好的鸟类，喜欢与人类互动。", metadata={"source": "鸟类宠物文档"}, ), Document( page_content="蝎子是神秘的宠物，需要干燥的环境。", metadata={"source": "节肢动物宠物文档"}, ), ] vector_store = FAISS.from_documents(documents, embedding=EMBEDDINGS) 123456789101112131415161718192021222324252627282930313233343536

技术要点：

Document：定义文档对象，包含文本内容和元数据。

FAISS.from_documents：使用智普AI的向量嵌入模型将文档转换为向量，并存储到 FAISS 向量存储中。

3. 向量检索与相似度查询

LangChain 提供了强大的向量检索功能，可以快速找到与查询文本最相似的文档。以下代码展示了如何进行相似度查询和批量检索：

# 相似度的查询: 返回相似的分数，分数越低相似度越高 print(vector_store.similarity_search_with_score('猫')) 12

下面的检索结果可以看到又多条符合的文档；其中第一个评分值越低 0.8395272，表示返回的文档与查询结果越相似

[(Document(id=‘dae5d787-aaf1-44d3-8e21-825da0b5b39c’, metadata={‘source’: ‘哺乳动物宠物文档’}, page_content=‘龙猫是温顺的宠物，拥有柔软的皮毛。’), 0.8395272), (Document(id=‘464e796c-6b91-412f-9eeb-4dbe9185a510’, metadata={‘source’: ‘节肢动物宠物文档’}, page_content=‘蝎子是神秘的宠物，需要干燥的环境。’), 1.037286), (Document(id=‘f590cc8a-33b8-48a6-a076-a6ca765dffb4’, metadata={‘source’: ‘爬行动物宠物文档’}, page_content=‘蛇类宠物需要专业的饲养知识，适合有经验的爱好者。’), 1.0382364), (Document(id=‘d9593910-85bc-40c5-80a8-f80e0ad8d2dd’, metadata={‘source’: ‘哺乳动物宠物文档’}, page_content=‘蜜袋鼯是可爱的飞行宠物，喜欢在空中滑翔。’), 1.0946727)]

向量检索：

# 检索器: bind(k=1) 返回相似度最高的第一个 retriever = RunnableLambda(vector_store.similarity_search).bind(k=1) # 批量检索 print(retriever.batch(['龙猫', '鱼'])) 1234

下面的检索结果可以看到返回了相似度最高的一个：

[[Document(id=‘dae5d787-aaf1-44d3-8e21-825da0b5b39c’, metadata={‘source’: ‘哺乳动物宠物文档’}, page_content=‘龙猫是温顺的宠物，拥有柔软的皮毛。’)], [Document(id=‘eafc7055-9654-4b08-9efd-1e13ef10b0da’, metadata={‘source’: ‘鱼类宠物文档’}, page_content=‘热带鱼色彩斑斓，需要精心维护的水族箱环境。’)]]

技术要点：

vector_store.similarity_search_with_score：返回与查询文本最相似的文档及其相似度分数。

RunnableLambda 和 bind(k=1)：创建一个检索器，返回相似度最高的第一个文档。

4. 构建问答链

最后，我们将向量检索和语言模型结合，构建一个问答链。以下代码展示了如何实现这一功能：

message = """使用提供的上下文仅回答这个问题:{question}上下文:{context} """ prompt_temp = ChatPromptTemplate.from_messages([('human', message)]) chain = {'question': RunnablePassthrough(), 'context': retriever} | prompt_temp | model resp = chain.invoke('请介绍一下鹦鹉？') print(resp.content) 12345678910111213

返回结果：

根据提供的上下文，鹦鹉中的鸡尾鹦鹉是一种友好的鸟类，它们喜欢与人类互动。这类鸟类通常适合作为宠物，因为它们表现出较强的社交性和与人建立联系的能力。

技术要点：

ChatPromptTemplate：定义一个动态的 Prompt 模板，根据检索到的上下文和用户问题生成完整的 Prompt。

RunnablePassthrough：允许将用户问题直接传递给 Prompt 和模型。

chain：将检索器、Prompt 和模型结合，形成一个完整的问答链。