25 LangChain组件——检索向量并构建提示词

糖逗

1.  知识点补充：
向量存储的实例，通过add_texts(list[str])方法可以快速添加到向量存储中。




2.代码实战

1. """
   
2. 提示词：用户的提问 + 向量库中检索到的参考资料
   
3. """
   
4. from langchain_community.chat_models import ChatTongyi
   
5. from langchain_core.vectorstores import InMemoryVectorStore
   
6. from langchain_community.embeddings import DashScopeEmbeddings
   
7. from langchain_core.prompts import ChatPromptTemplate
   
8. from langchain_core.output_parsers import StrOutputParser
   
9. 
   
10. 
    
11. def print_prompt(prompt):
    
12.     print(prompt.to_string())
    
13.     print("=" * 20)
    
14.     return prompt
    
15. 
    
16. 
    
17. model = ChatTongyi(model="qwen3-max")
    
18. prompt = ChatPromptTemplate.from_messages(
    
19.     [
    
20.         ("system", "以我提供的已知参考资料为主，简洁和专业的回答用户问题。参考资料:{context}。"),
    
21.         ("user", "用户提问：{input}")
    
22.     ]
    
23. )
    
24. 
    
25. vector_store = InMemoryVectorStore(embedding=DashScopeEmbeddings(model="text-embedding-v4"))
    
26. 
    
27. # 准备一下资料（向量库的数据）
    
28. # add_texts 传入一个 list[str]
    
29. vector_store.add_texts(
    
30.     ["减肥就是要少吃多练", "在减脂期间吃东西很重要,清淡少油控制卡路里摄入并运动起来", "跑步是很好的运动哦"])
    
31. 
    
32. input_text = "怎么减肥？"
    
33. 
    
34. # 检索向量库
    
35. result = vector_store.similarity_search(input_text, 2)
    
36. reference_text = "["
    
37. for doc in result:
    
38.     reference_text += doc.page_content
    
39. reference_text += "]"
    
40. 
    
41. chain = prompt | print_prompt | model | StrOutputParser()
    
42. 
    
43. res = chain.invoke({"input": input_text, "context": reference_text})
    
44. print(res)
    

复制代码

学习视频：【黑马程序员大模型RAG与Agent智能体项目实战教程，基于主流的LangChain技术从大模型提示词到实战项目】[url=https://www.bilibili.com/video/B ... 2bff4ed856eadc41a71]https://www.bilibili.com/video/BV1yjz5BLEoY/?p=44&share_source=copy_web&vd_source=792a2cb63a1882bff4ed856eadc41a71[/url]

FishC

以下是完整的代码实现：

1. 
   
2. """
   
3. 提示词：用户的提问 + 向量库中检索到的参考资料
   
4. """
   
5. from langchain_community.chat_models import ChatTongyi
   
6. from langchain_core.vectorstores import InMemoryVectorStore
   
7. from langchain_community.embeddings import DashScopeEmbeddings
   
8. from langchain_core.prompts import ChatPromptTemplate
   
9. from langchain_core.output_parsers import StrOutputParser
   
10. 
    
11. 
    
12. def print_prompt(prompt):
    
13.     print(prompt.to_string())
    
14.     print("=" * 20)
    
15.     return prompt
    
16. 
    
17. 
    
18. model = ChatTongyi(model="qwen3-max")
    
19. prompt = ChatPromptTemplate.from_messages([
    
20.     ("system", "你是一个健身教练，请根据以下参考资料回答用户的问题。如果参考资料中没有相关答案，请根据你的知识回答。\n参考资料：{context}"),
    
21.     ("human", "{input}")
    
22. ])
    
23. 
    
24. vector_store = InMemoryVectorStore(embedding=DashScopeEmbeddings(model="text-embedding-v4"))
    
25. 
    
26. # 准备一下资料（向量库的数据）
    
27. # add_texts 传入一个 list
    
28. vector_store.add_texts([
    
29.     "减肥需要控制饮食，减少高热量食物的摄入，并增加体育锻炼。",
    
30.     "有氧运动如跑步、游泳和骑自行车可以帮助燃烧脂肪。",
    
31.     "力量训练可以增加肌肉量，提高基础代谢率，从而帮助减肥。",
    
32.     "饮食上建议多吃蔬菜、水果和全谷物，少吃油炸食品和甜食。"
    
33. ])
    
34. 
    
35. input_text = "怎么减肥？"
    
36. 
    
37. # 检索向量库
    
38. result = vector_store.similarity_search(input_text, 2)
    
39. reference_text = "\n".join([doc.page_content for doc in result])
    
40. 
    
41. chain = prompt | print_prompt | model | StrOutputParser()
    
42. 
    
43. res = chain.invoke({"input": input_text, "context": reference_text})
    
44. print(res)
    

复制代码

代码解释：

1. 首先创建了 ChatTongyi 模型和 ChatPromptTemplate 提示词模板

2. 创建向量存储并添加减肥相关的文本资料到向量库中

3. 使用 similarity_search 方法检索与输入问题相关的文本

4. 将检索结果合并为参考文本，并与用户问题一起构建提示词

5. 通过链式调用处理并输出结果

运行结果会显示构建的完整提示词和模型的回答。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

不二如是

学习

糖逗

不二如是 发表于 2026-3-8 16:23
学习

不二如是

糖逗 发表于 2026-3-8 16:24