SunnyRivers

如何为 LangChain RAG 系统创建自定义评估指标import re"""学习如何构建用于评估 LangChain RAG 的自定义指标 - 教程"""# 初始化一个轻量级的句子嵌入模型"""衡量答案在多大程度上超出了上下文范围而产生幻觉。Args:answer: RAG 系统生成的答案。contexts: 用于生成答案的检索到的上下文列表。Returns:幻觉分数，范围在 [0, 1] 之间。1.0 表示无幻觉。"""# 将答案拆分为独立的陈述句。

学习如何在本综合教程中使用 LangChain 实现高级 RAG 技术。逐步掌握多查询搜索、父子分块、重排序策略以及融合技术，以达到生产级别的准确度。由于词汇不匹配或歧义，单一查询往往会遗漏相关信息。多查询检索会针对同一个问题生成多个视角，以提高召回率，并找到单一查询可能遗漏的文档。多查询实现逐步教程查询生成：大语言模型创建用户问题的多个版本。并行检索：每个查询变体都在向量存储中进行搜索。结果聚合：合并并去除所有查询结果的重复项。分数融合：对匹配多个查询的文档进行智能排序。在运行此多查询实现之前，请

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了大语言模型（LLM）与向量数据库（如 ChromaDB、Pinecone、Weaviate、Qdrant 或 Milvus）的技术。本教程面向初学者，手把手教你如何从自有文档中检索相关信息，并生成准确的回答。

混合检索结合语义检索（基于嵌入）与关键词检索（如 BM25），兼顾语义理解与精确匹配优势。语义检索擅长理解含义，关键词检索则在处理专有名词、罕见术语时表现更佳。# 初始化嵌入模型# 1. 创建语义检索器（基于向量）# 2. 创建关键词检索器（BM25）# 注意：需先获取所有文档# 重建 Document 对象（因 get() 返回原始数据）# 3. 组合检索器（加权融合）weights=[0.7, 0.3] # 70% 语义 + 30% 关键词# 执行混合检索。

掌握如何使用 LangChain 为检索增强生成（RAG）创建嵌入。利用 Chroma、Pinecone 等向量数据库构建向量搜索系统，打造智能 RAG 应用。

掌握用于检索增强生成（RAG）应用的文档处理技术。学习如何使用 LangChain 的文本切分器对文档进行切分，实施文档分块的最佳实践，并优化分块大小以实现最佳检索性能。

为你的业务场景量身定制工具。@tool 装饰器：将函数标记为智能体工具类型注解：帮助智能体理解输入/输出类型文档字符串（Docstring）：描述工具用途与使用方式错误处理：优雅降级代码直接参考上面的示例。

用户希望构建一个爬取 Indeed 和 LinkedIn 招聘信息的爬虫。数据将存储在 PostgreSQL 中，并通过邮件发送新匹配提醒。技术栈：Python + BeautifulSoup + Selenium。结合两者优势：近期消息保留全文，旧消息自动摘要。

在 LangChain 中，Chains 是一系列按顺序处理数据的组件。你可以将其想象成一条装配流水线——每个环节对数据进行加工后，再传递给下一个环节。

提示模板是一种包含变量的可复用提示，这些变量可以在运行时动态填充。与其将提示硬编码，不如创建一个能根据输入自动调整的模板。

LangChain 是一个专为简化大语言模型（LLM）驱动应用开发而设计的强大框架。它提供了一系列工具和抽象层，使构建复杂的 AI 应用变得更加容易。你可以把 LangChain 看作：AI 开发领域的 “React” 或 “Django” —— 它为基于 LLM 的应用提供了结构化支持、最佳实践和可复用的组件。

本教程面向初学者，将教你如何使用来自不同 AI 服务商的模型，比较它们的优势，并根据实际需求选择最合适的模型。在深入学习 LangChain 之前，理解各类模型的特点至关重要——因为 LangChain 能让你在这些模型之间无缝切换。

明确指定你希望输出的结构。示例：“列出运动的 5 项好处。好处：[简短标题]说明：[1–2 句话]”

通过使用 Google Gemini （注意：如果你没有梯子，那么随便找个模型都可以）动手实践 AI API——这是深入学习 LangChain 之前的重要基础。本初学者指南将逐步介绍环境设置、身份验证、首次 API 调用以及令牌、模型和参数等关键概念。

大语言模型（LLMs）是一类在海量文本数据上训练而成的先进人工智能系统。它们能够理解并生成类人文本，因此在写作、编程、分析和创意任务等众多场景中展现出极强的通用性。你可以把它们想象成一位“博览群书”的智能助手，随时准备帮你完成各种文字相关的工作。聊天（Chat）：有状态（stateful），能记住对话历史补全（Completion）：无状态（stateless），单次独立生成嵌入（Embedding）：将文本转为数字，用于数学化比较。

通过动手实践的教程学习 LangChain。你将构建检索增强生成（RAG）系统、使用向量数据库，并开发真正的 AI 应用。无论你是初学者还是进阶开发者，这些内容都非常适合你。