RAG 检索增强,彻底解决文档问答幻觉

pip install langchain langchain-openai langchain-community faiss-cpu

from langchain_openai import ChatOpenAI, OpenAIEmbeddingsfrom langchain_community.document_loaders import TextLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain_community.vectorstores import FAISSfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.runnables import RunnablePassthrough# 1. 初始化模型&嵌入模型llm = ChatOpenAI(    model="deepseek-chat",    api_key="你的Key",    base_url="https://api.deepseek.com/v1",    temperature=0.2  # 低温度抑制幻觉)embeddings = OpenAIEmbeddings(    api_key="你的Key",    base_url="https://api.deepseek.com/v1")# 2. 加载本地文档loader = TextLoader("test.txt", encoding="utf-8")docs = loader.load()# 3. 文本分割：避免单段文本过长，提升检索精度text_splitter = RecursiveCharacterTextSplitter(    chunk_size=300,    chunk_overlap=50  # 片段重叠，防止语义断裂)split_docs = text_splitter.split_documents(docs)# 4. 构建向量数据库vector_store = FAISS.from_documents(split_docs, embeddings)retriever = vector_store.as_retriever(k=3)  # 检索Top3相关片段# 5. 自定义提示词：强约束，禁止幻觉prompt = ChatPromptTemplate.from_template("""请**严格根据下方参考文档**回答用户问题，禁止编造任何内容。如果参考文档中没有对应答案，请直接回复：暂无相关信息。参考文档：{context}用户问题：{question}""")# 6. 构建RAG链式调用rag_chain = (    {"context": retriever, "question": RunnablePassthrough()}    | prompt    | llm    | StrOutputParser())# 7. 执行问答测试if __name__ == "__main__":    question = "文档中介绍了什么内容？"    result = rag_chain.invoke(question)    print("回答：", result)