下面代码是一个可用的 LangChain + 阿里云通义千问 RAG 最小示例。其逻辑非常清晰，就是：
加载 → 切分 → 向量化 → 检索 → QA。
示例代码取自《AI Agent智能体开发实践》第8章
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 24 21:03:45 2025
@author: liguo
"""
from langchain_community.document_loaders import TextLoader
from langchain_community.indexes import VectorstoreIndexCreator
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings  # 👈 替换 QwenEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain_community.llms import Tongyi  # Qwen
import os
# 设置阿里云 DashScope API Key（必须）
api_key=os.getenv("DASHSCOPE_API_KEY")  # 👈 替换为你自己的 API Key
def basic_rag_flow():
    # 1. 加载文档 —— 修复编码问题
    loader = TextLoader("example.txt", encoding='utf-8')
    documents = loader.load()
    
    # 2. 分割文档
    text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
    texts = text_splitter.split_documents(documents)
    
    # 3. 创建嵌入和向量存储（使用通义千问的 Embedding 模型）
    embeddings = DashScopeEmbeddings(
        model="text-embedding-v1",  # 阿里云提供的嵌入模型
        dashscope_api_key=os.environ["DASHSCOPE_API_KEY"]
    )
    vectorstore = Chroma.from_documents(texts, embeddings)
    
    # 4. 构建检索器
    retriever = vectorstore.as_retriever()
    
    # 5. 创建RAG链（使用通义千问大模型）
    llm = Tongyi(
        model_name="qwen-max",  # 也可以用 "qwen-plus", "qwen-turbo" 等
        api_key=api_key,
        temperature=0.1
    )
    
    qa_chain = RetrievalQA.from_chain_type(
        llm=llm,
        chain_type="stuff",
        retriever=retriever,
        return_source_documents=True  # 可选：返回参考文档
    )
    
    # 6. 执行查询并输出结果
    query = "请总结文档的主要内容"
    result = qa_chain.invoke({"query": query})  # 👈 注意：新版推荐用 invoke
    print("问题：", query)
    print("回答：", result["result"])
    
    # 可选：打印参考文档
    # for doc in result["source_documents"]:
    #     print("参考文档片段：", doc.page_content[:200], "...")
    
    return qa_chain
# 调用函数以执行流程
if __name__ == "__main__":
    basic_rag_flow()

下面我 按模块 + 按流程对你给出的代码做一次 完整解析，并明确说明：

👉 这个示例到底在演示什么？

👉 每一步解决了什么问题？

一、这个示例整体在演示什么？

✅ 这是一个“最小可运行的 RAG（检索增强生成）示例”

它演示了如何用 LangChain + 阿里云通义千问（Qwen） 完成：

“基于本地文档内容回答问题”

也就是：

📄 本地文本文件

⬇

🔍 向量检索

⬇

🤖 大模型生成答案

这正是 RAG 的核心流程。

二、RAG 的核心思想（先看这个）

RAG = Retrieval-Augmented Generation

用户问题
   ↓
从文档中检索相关内容
   ↓
把相关内容交给大模型
   ↓
生成基于事实的回答

✅ 目的：

减少大模型幻觉
利用私有数据
不依赖模型训练

三、代码结构总览

basic_rag_flow()
├─ 1. 加载文档
├─ 2. 切分文档
├─ 3. 向量化 + 存入向量库
├─ 4. 构建检索器
├─ 5. 构建 RAG 问答链
└─ 6. 执行查询

四、逐段代码解析

✅ 1️⃣ 导入依赖（基础设施）

from langchain_community.document_loaders import TextLoader
from langchain_community.indexes import VectorstoreIndexCreator
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain_community.llms import Tongyi

📌 这些模块分别对应：

模块	作用
TextLoader	读取本地文本
CharacterTextSplitter	文本切分成块
DashScopeEmbeddings	阿里云向量模型
Chroma	向量数据库
RetrievalQA	RAG 问答链
Tongyi	通义千问 LLM

✅ 2️⃣ 加载文档（数据来源）

loader = TextLoader("example.txt", encoding='utf-8')
documents = loader.load()

📌 这一步在做什么？

从本地加载 example.txt
返回一个 Document对象列表

每个 Document 包含：

page_content = 文本内容
metadata = {"source": "example.txt"}

✅ 这是 RAG 的数据入口

✅ 3️⃣ 文本切分（非常关键）

text_splitter = CharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=0
)
texts = text_splitter.split_documents(documents)

📌 为什么一定要切分？

Embedding 模型有长度限制
向量检索更适合“小块语义”
LLM 上下文有限

📌 切分后变成：

texts = [
  Document(...),
  Document(...),
  Document(...)
]

每一段都是一个 可独立检索的语义单元

✅ 4️⃣ 向量化 & 向量库（检索基础）

embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",
    dashscope_api_key=os.environ["DASHSCOPE_API_KEY"]
)

📌 这一步在做什么？

把 文本 → 向量（数字）
使用的是阿里云的 text-embedding-v1

vectorstore = Chroma.from_documents(texts, embeddings)

📌 Chroma 做了什么？

把所有文本块存成向量
建立索引
支持 相似度搜索

✅ 到这里，你已经拥有了一个 “可检索的知识库”

✅ 5️⃣ 构建检索器（Retriever）

retriever = vectorstore.as_retriever()

📌 Retriever 的作用：

给定一个问题 → 返回最相关的文档片段

等价于：

问题 → 向量化 → 相似度匹配 → Top-K 文档

✅ 6️⃣ 构建 RAG 问答链（核心）

llm = Tongyi(
    model_name="qwen-max",
    api_key=api_key,
    temperature=0.1
)

📌 LLM 负责：

理解问题
阅读检索到的文档
生成最终答案

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    return_source_documents=True
)

📌 RetrievalQA做了什么？

自动完成这个流程：

用户输入问题
   ↓
Retriever 找相关文档
   ↓
把问题和文档拼在一起
   ↓
LLM 生成答案

📌 chain_type="stuff"的含义：

把所有检索到的文档 直接塞进 prompt
简单、直观
适合文档不太长的场景

✅ 7️⃣ 执行查询

query = "请总结文档的主要内容"
result = qa_chain.invoke({"query": query})

📌 实际发生了什么？

问题 → embedding
去 Chroma 里找相关内容
拼接成类似这样的 prompt：

根据以下内容回答问题：
[文档片段1]
[文档片段2]
问题：请总结文档的主要内容

Qwen 生成答案

五、这个示例“演示了什么能力”？

✅ 它不是一个玩具，而是一个 标准 RAG 模板，展示了：

能力	是否演示
私有数据接入	✅
文本向量化	✅
向量检索	✅
大模型增强生成	✅
LangChain 标准用法	✅
阿里云通义千问集成	✅

六、一句话总结

这个示例演示了：如何使用 LangChain + 阿里云 DashScope，构建一个基于本地文档的检索增强生成（RAG）问答系统。

ITPub博客

LangChian实现最小可运行的 RAG示例解析