深度解密LangChain与RAG：从零构建智能衣答系统，掌握大模型本地知识库的终极奥义

大家好，我是你们的技术伙伴。👋

在2026年的今天，大模型（LLM）已经渗透到我们生活的方方面面。但在实际业务中，我们经常面临一个痛点：如何让通用的大模型精准地理解特定领域的“黑话”？比如，在电商卖衣服时，客户问“我170高，140斤穿什么码？”，模型如果不懂你的库存尺码表，回答就是胡扯。

今天，我将基于Python和LangChain框架，带你从零构建一套“智能衣答系统”。我们将利用RAG（检索增强生成）技术，让模型在没有经过专业微调的情况下，也能具备顶级服装销售专家的分析能力。

核心内容概览：

1. RAG核心架构：索引、检索、生成，三步走通本地知识库。
2. 智能尺码推荐：基于本地文档的精准匹配，不再是瞎猜。
3. 对话记忆维护：让AI记住你的喜好，实现连贯对话。
4. Streamlit可视化：快速构建Web界面，让Demo跑起来。

🧠 第一部分：RAG架构——给大模型一本“参考书”

很多初学者觉得大模型“不好用”，其实是因为它在“裸奔”——只有预训练时的知识，没有你当下的业务数据。RAG（检索增强生成）就是解决这个问题的银弹。

工作流程：

1. 索引（Indexing）：把你的衣服属性文档（TXT/PDF）切分成小块，转化为向量，存入向量数据库。
2. 检索（Retrieval）：当用户提问时，把问题也转化为向量，在数据库里找最相似的Top-K个片段。
3. 生成（Generation）：把检索到的片段作为上下文，拼接到Prompt里，喂给大模型生成答案。

代码实现：构建向量数据库

from langchain_chroma import Chroma from langchain_community.document_loaders import TextLoader from langchain_text_splitters import CharacterTextSplitter from model import embedding # 假设你已经配置好了嵌入模型 def create_db(file_path, persist_directory='./chroma_data'): # 1. 加载文档 loader = TextLoader(file_path, encoding='utf-8') docs = loader.load() # 2. 文本切分 (chunk_size: 块大小, chunk_overlap: 重叠字符数) text_splitter = CharacterTextSplitter(separator='\n', chunk_size=150, chunk_overlap=30) split_texts = text_splitter.split_documents(docs) # 3. 存入向量数据库 vectorDB = Chroma.from_documents( documents=split_texts, embedding=embedding, persist_directory=persist_directory ) return vectorDB.as_retriever(search_kwargs={'k': 2}) # 返回检索器，k=2表示返回2个最相关文档

👕 第二部分：智能衣答系统核心逻辑——精准推荐尺码

这是本项目的最核心部分。我们需要让模型根据用户提供的身高体重，去检索本地知识库中的尺码规则。

附件中的核心数据逻辑（模拟衣服属性.txt）：

• 身高160-170cm，体重90-115斤 -> M码
• 身高165-175cm，体重115-135斤 -> L码
• 身高170-178cm，体重130-150斤 -> XL码
• ... (以此类推)

代码实现：问答链 (qa_chain.py)
这里我们使用LCEL (LangChain Expression Language)语法，这是目前最优雅的写法。

from langchain_core.prompts import PromptTemplate from langchain_core.runnables import RunnablePassthrough, RunnableLambda from langchain_core.output_parsers import StrOutputParser from operator import itemgetter # 1. 获取检索器 (复用上面的逻辑) retriever = create_db('../data/衣服属性.txt') # 2. 定义提示词模板 template_str = """你是一个专业的服装销售专家。请根据以下检索到的尺码表和用户的对话历史，回答用户的问题。 如果你在尺码表中找不到确切答案，请根据常识推断，但要说明是推断。 尺码表(参考): {context} 历史对话: {chat_history} 当前问题: {question} 回答: """ prompt = PromptTemplate.from_template(template_str) # 3. 辅助函数：格式化对话历史 def format_chat_history(history): if not history: return "无历史对话" return "\n".join([f"用户: {q}\n助手: {a}" for q, a in history]) # 4. 构建LCEL链 qa_chain = ( RunnablePassthrough.assign( context=itemgetter("question") | retriever, # 检索相关文档 chat_history=itemgetter("chat_history") | RunnableLambda(format_chat_history) # 格式化历史 ) | prompt | llm # 假设llm是你的大模型实例，如ChatTongyi() | StrOutputParser() # 解析输出为字符串 ) # 5. 调用示例 chat_history = [] question = "我身高170，体重140斤，应该买什么码？" response = qa_chain.invoke({"question": question, "chat_history": chat_history}) print(response) # 输出预期: "根据您的身高170cm和体重140斤，建议您购买XL码。"

💬 第三部分：对话记忆——让AI“记得住”你

普通的问答系统是“问一句答一句”，没有记忆。我们要打造的是能记住用户偏好的智能体。

核心技巧：
在调用链时，维护一个chat_history列表，每次问答后都追加进去。

def qa(question, chat_history): """带记忆的问答函数""" # 调用链 answer = qa_chain.invoke({ "question": question, "chat_history": chat_history }) # 更新历史 (注意：这里假设你的UI或逻辑需要维护这个列表) chat_history.append((question, answer)) # 限制历史长度，防止Token过长 if len(chat_history) > 10: chat_history = chat_history[-10:] return answer, chat_history

🖥️ 第四部分：Streamlit可视化——一键启动你的智能客服

为了博取眼球，一个漂亮的Web界面是必须的。我们使用Streamlit，几行代码就能搞定。

代码实现：web_qa.py

import streamlit as st from qa_chain import qa # 导入你的核心问答逻辑 # 页面配置 st.set_page_config(page_title="智能衣答系统", page_icon="👗") st.title("👗 智能衣答系统 - 你的专属AI穿搭顾问") # 初始化会话状态 (用于存储对话历史) if "messages" not in st.session_state: st.session_state.messages = [] # 展示历史消息 for message in st.session_state.messages: with st.chat_message(message["role"]): st.markdown(message["content"]) # 用户输入 if prompt := st.chat_input("请输入你的问题 (例如: 我170高140斤穿什么码?)"): # 显示用户输入 with st.chat_message("user"): st.markdown(prompt) # 调用问答逻辑 (这里简化了历史传递，实际需处理st.session_state) with st.chat_message("assistant"): message_placeholder = st.empty() # 模拟流式输出或直接获取结果 response, updated_history = qa(prompt, st.session_state.get('chat_history', [])) message_placeholder.markdown(response) # 更新全局历史 st.session_state.messages.append({"role": "user", "content": prompt}) st.session_state.messages.append({"role": "assistant", "content": response}) st.session_state.chat_history = updated_history

🏁 结语

通过上述四个部分的实战，我们完成了一个工业级的智能问答系统原型。我们没有使用任何商业微调服务，仅仅通过Prompt Engineering、RAG和LangChain，就让大模型具备了专业的服装销售能力。

给读者的建议：

1. 数据是核心：RAG的效果70%取决于你的本地文档质量。把尺码表、材质说明整理好。
2. 多试切分参数：chunk_size和chunk_overlap很关键，太小了丢失上下文，太大了检索不准。
3. 拥抱LCEL：LangChain的新语法LCEL是未来的标准，写起来更简洁，逻辑更清晰。

如果你觉得这篇文章对你有帮助，希望点赞、收藏、关注！你的支持是我持续输出硬核内容的最大动力！