import osfrom dotenv import load_dotenvfrom langchain_community.document_loaders import PyPDFLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_community.embeddings import DashScopeEmbeddingsfrom langchain_chroma import Chromafrom langchain_openai import ChatOpenAIfrom langchain.chains import create_retrieval_chainfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.runnables import RunnablePassthrough# ======================# 1. 加载环境变量# ======================load_dotenv()DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")if not DASHSCOPE_API_KEY :    raise ValueError("请在 .env 文件中设置 DASHSCOPE_API_KEY ")# ======================# 2. 加载 PDF，读者可以随便找一个PDF格式的英文论文# ======================file_path = "example_data/2401.03568v2.pdf"if not os.path.exists(file_path):    raise FileNotFoundError(f"PDF 文件不存在: {file_path}")loader = PyPDFLoader(file_path)docs = loader.load()print("页数:", len(docs))# ======================# 3. 文本切分 + 向量化# ======================text_splitter = RecursiveCharacterTextSplitter(    chunk_size=1000,    chunk_overlap=200)splits = text_splitter.split_documents(docs)embeddings = DashScopeEmbeddings(    model="text-embedding-v2",    dashscope_api_key=DASHSCOPE_API_KEY)vectorstore = Chroma.from_documents(    documents=splits,    embedding=embeddings,    persist_directory="./chroma_db")retriever = vectorstore.as_retriever(search_kwargs={"k": 4})# ======================# 4. LLM（通义千问）# ======================llm = ChatOpenAI(    model="qwen-plus",    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",    api_key=os.getenv("DASHSCOPE_API_KEY"),    temperature=0)# ======================# 5. RAG Prompt & Chain# ======================system_prompt = (    "你是用于问答任务的助手。"    "请仅使用以下检索到的上下文回答问题。"    "如果你不知道答案，请直接说“我不知道”。"    "最多使用三句话，保持回答简洁。"    "\n\n{context}")prompt = ChatPromptTemplate.from_messages([    ("system", system_prompt),    ("human", "{input}")])question_answer_chain = (    RunnablePassthrough.assign(        context=lambda x: retriever.invoke(x["input"])    )    | prompt    | llm    | StrOutputParser())rag_chain = create_retrieval_chain(retriever, question_answer_chain)# ======================# 6. 执行问答# ======================query = "What is AGENT AI?"result = rag_chain.invoke({"input": query})print("\n=== 回答 ===")print(result["answer"])# ======================# 7. 翻译检索到的上下文# ======================def translate_to_chinese(text: str) -> str:    translation_prompt = f"请将以下英文内容翻译成中文：\n{text}"    return llm.invoke(translation_prompt).content.strip()if result.get("context"):    first_doc = result["context"][0]    print("\n=== 原文片段 ===")    print(first_doc.page_content[:500])    print("\n=== 中文翻译 ===")    translated = translate_to_chinese(first_doc.page_content)    print(translated)

C:\Users\xiayu\miniconda3\envs\langchain03\python.exe C:\Users\xiayu\PyCharmMiscProject\LangChain官方示例代码学习\RAG\构建一个PDF摄取和问答系统.py 页数: 80=== 回答 ===AGENT AI is an emerging paradigm toward Artificial General Intelligence (AGI) that enables systems to perceive and act across different domains and applications. It emphasizes multimodal understanding—integrating text, vision, and other modalities—and supports embodied interaction in both physical and virtual worlds. AGENT AI leverages large foundation models trained on cross-reality data to enable capabilities like planning, problem-solving, and learning in complex environments.=== 原文片段 ===AGENT AI:SURVEYING THE HORIZONS OF MULTIMODAL INTERACTIONZane Durante1†*, Qiuyuan Huang2‡∗, Naoki Wake2∗,Ran Gong3†, Jae Sung Park4†, Bidipta Sarkar1†, Rohan Taori1†, Yusuke Noda5,Demetri Terzopoulos3, Yejin Choi4, Katsushi Ikeuchi2, Hoi Vo5, Li Fei-Fei1, Jianfeng Gao21Stanford University; 2Microsoft Research, Redmond;3University of California, Los Angeles; 4University of Washington; 5Microsoft GamingFigure 1: Overview of an Agent AI system that can perceive and act in different domains a=== 中文翻译 ===智能体人工智能（Agent AI）：  多模态交互前沿探索  扎恩·杜兰特¹†*，黄秋媛²‡∗，直树·若江²∗，  龚然³†，朴在成⁴†，比迪普塔·萨卡尔¹†，罗汉·塔奥里¹†，野田祐介⁵，  德米特里·特尔佐普洛斯³，崔世英⁴，池内克之²，何浩⁵，李飞飞¹，高剑峰²  ¹斯坦福大学；²微软研究院（雷德蒙德）；  ³加州大学洛杉矶分校；⁴华盛顿大学；⁵微软游戏部门  图1：一种可感知并作用于不同领域与应用场景的智能体人工智能（Agent AI）系统概览。智能体AI正日益成为通向通用人工智能（AGI）的一条极具前景的路径。面向智能体的训练已展现出对物理世界进行多模态理解的能力。该范式通过融合生成式人工智能与多个独立的数据源，构建起一种“现实无关”（reality-agnostic）的训练框架。当大型基础模型在跨现实（cross-reality）数据上完成针对智能体行为与动作任务的训练后，即可同时适用于物理世界与虚拟世界。本文将阐述……Process finished with exit code 0