实战二：RAG 知识库助手

Agent 不仅要有手脚（Tools），还要有记忆（Knowledge）。 本实验将构建一个 HR 助手，它能根据（伪造的）公司员工手册回答关于请假和报销的问题。

#1. RAG 工作流

sequenceDiagram
    participant User
    participant Agent (Chain)
    participant Retriever
    participant VectorDB
    participant LLM
    
    User->>Agent: "能报销请客吃饭吗？"
    Agent->>Retriever: Invoke
    Retriever->>VectorDB: 语义搜索 (Similarity Search)
    VectorDB-->>Retriever: 返回文档片段 (Context)
    Retriever-->>Agent: Context
    Agent->>LLM: Prompt + Context + Question
    LLM-->>Agent: "根据规定，上限 $50..."
    Agent-->>User: 最终回答

#2. 技术栈

• LangChain: 编排框架
• ChromaDB: 本地向量数据库（无需 API Key）
• OpenAI / Gemini / Claude: LLM

bash复制
pip install langchain langchain-chroma langchain-openai

#3. 准备知识库 (Indexing)

假设我们有一个 handbook.txt：

公司规定：

1. 年假：入职满一年有 10 天年假。
2. 病假：需提供医生证明，全薪。
3. 报销：餐饮报销上限为每人每餐 $50，需发票。

python复制
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings

# 1. 加载文档
loader = TextLoader("./handbook.txt")
documents = loader.load()

# 2. 切分 (Chunking)
text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 3. 存入向量数据库
db = Chroma.from_documents(docs, OpenAIEmbeddings())

#4. 构建检索链 (Retrieval Chain)

现在我们要把“检索”变成 Agent 的一种能力。

python复制
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o")

# 定义 Prompt，告诉 Agent 必须基于 Context 回答
prompt = ChatPromptTemplate.from_template("""
你是一个 HR 助手。请基于下面的 Context 回答用户问题。
如果你不知道，就说不知道。

Context:
{context}

Question:
{input}
""")

# 创建 "文档合并链" (把检索到的片段塞进 Prompt)
combine_docs_chain = create_stuff_documents_chain(llm, prompt)

# 创建 "检索链" (连接 DB 和 LLM)
retriever = db.as_retriever()
rag_chain = create_retrieval_chain(retriever, combine_docs_chain)

#5. 运行与测试

python复制
response = rag_chain.invoke({"input": "我刚入职，请朋友吃饭花了 80 块，能报销吗？"})
print(response["answer"])

预期回答：

不能全额报销。根据公司规定，餐饮报销上限为每人每餐 $50。

#6. 进阶：将 RAG 变成一个 Tool

上面的 RAG Chain 只是一个单纯的问答系统。如果我们要把它集成到更复杂的 Agent 中（比如既能查文档，又能发邮件），我们需要把检索包装成一个 Tool。

python复制
from langchain.tools.retriever import create_retriever_tool

retriever_tool = create_retriever_tool(
    retriever,
    "search_company_policy",
    "搜素公司关于请假、报销等行政规定的政策文档"
)

# 现在这个 tool 可以和其他 tool 一起给 Agent 使用了
tools = [retriever_tool, send_email_tool, ...]

#小结

• Indexing: 知识入库（切片 -> 向量化 -> 存储）。
• Retrieval: 语义搜索，找到最相关的片段。
• Generation: LLM 基于片段生成答案。
• Toolification: 将 RAG 封装为工具，让 Agent 按需调用。