端到端构建 RAG 问答系统
RetrievalQA 链、自定义提示词、来源标注，以及使用 RAGAS 评估 RAG。
端到端构建 RAG 问答系统 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
什么是 RAG
检索增强生成（Retrieval-Augmented Generation）让 LLM 以您自己的数据为依据。在查询时，系统会从向量存储中检索相关分块，并将它们注入提示词，使模型根据事实回答，而不是凭空猜测。
RAG 流程
每次 RAG 查询都遵循四个步骤：(1) 为问题创建嵌入；(2) 检索相似分块；(3) 将这些分块作为上下文填入提示词；(4) LLM 根据该上下文生成答案。
将存储转换为检索器
使用 as_retriever 将向量存储转换为检索器。search_kwargs 字典控制检索行为，其中最重要的是 k，它表示每个问题要获取的分块数量。
retriever = db.as_retriever(
search_kwargs={"k": 4}
)调整搜索参数
search_kwargs 还可以设置分数阈值或 MMR 选项。请从 k=4 开始；如果答案缺少上下文，就提高该值；如果要降低令牌成本和噪声，则降低该值。
retriever = db.as_retriever(
search_type="similarity_score_threshold",
search_kwargs={"k": 6, "score_threshold": 0.5}
)RetrievalQA 链
RetrievalQA 链会将检索和生成连接起来。使用 from_chain_type 构建它，并传入您的 llm 和 retriever。现在，只需一次调用即可根据您的文档回答问题。
from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI
qa = RetrievalQA.from_chain_type(
llm=ChatOpenAI(model="gpt-4o"),
retriever=retriever
)链类型：如何组合上下文
chain_type 控制检索到的分块如何进入提示词。"stuff"（默认选项）会将所有分块放入一个提示词中；只要它们能放入上下文窗口，这种方式就简单且效果最好。"map_reduce" 等其他类型可以处理大量较大的分块。
qa = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever
)提出问题
使用 invoke 运行链，并将问题放在 query 键下。链会执行检索、构建提示词，并返回有依据的答案。
response = qa.invoke({"query": "What is the refund window?"})
print(response["result"])返回来源文档
设置 return_source_documents=True，即可获取用于生成答案的分块。这样可以添加引用，也让用户能够核实每条事实的来源，这对建立信任至关重要。
qa = RetrievalQA.from_chain_type(
llm=llm,
retriever=retriever,
return_source_documents=True
)
resp = qa.invoke({"query": "Refund window?"})
for d in resp["source_documents"]:
print(d.metadata)为什么要评估 RAG
RAG 可能以两种方式失败：检索带来了错误的分块，或者生成过程即使获得了正确分块仍然产生幻觉。您需要使用指标来判断应该修复哪一部分。仅靠人工浏览答案无法扩展到大规模场景。
RAGAS 指标
RAGAS 是一个用于评估 RAG 质量的库。主要指标包括：faithfulness（答案是否得到上下文支持）、answer_relevancy（答案是否回应问题）以及 context_precision（检索到的分块是否相关）。
pip install ragas
from ragas.metrics import faithfulness, answer_relevancy, context_precision运行评估
构建一个包含问题、生成的答案、检索到的上下文和真实答案的数据集，然后调用 evaluate。这些分数会告诉您应该改进分块方式、检索数量还是提示词。
from ragas import evaluate
result = evaluate(
dataset,
metrics=[faithfulness, answer_relevancy, context_precision]
)
print(result)快速检查
测试您对 RAG 的理解。
回顾：端到端 RAG
您构建了一条完整的 RAG 流水线：使用带有 search_kwargs 的 db.as_retriever，基于您的 llm 和检索器构建 RetrievalQA.from_chain_type 链，并使用 return_source_documents=True 添加引用。您还学会了使用 RAGAS 指标（例如忠实度和上下文精确率）衡量质量。
常见问题解答
「端到端构建 RAG 问答系统」课时是免费的吗？
是的 — 「端到端构建 RAG 问答系统」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「端到端构建 RAG 问答系统」这节课中我会学到什么？
RetrievalQA 链、自定义提示词、来源标注，以及使用 RAGAS 评估 RAG。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「端到端构建 RAG 问答系统」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- LangChain 架构与 LCEL
- 文档加载、拆分与嵌入
- 向量存储：Chroma 与 FAISS
- 端到端构建 RAG 问答系统