第 10 期 | 检索技巧 (Retrievers)：让知识触手可及

各位未来的 AI 大师们，大家好！我是你们的导师。很高兴能和大家一起踏上这段激动人心的 LangChain 全栈开发之旅。十年磨一剑，我见证了 AI 从实验室走向千家万户，而现在，是时候让你亲手去创造了！

我们这门《LangChain 全栈大师课》不是那种只讲理论不落地的“纸上谈兵”。我们将以一个贯穿始终的**「智能客服知识库 (Intelligent Support Copilot)」**项目为主线，从零开始，手把手带你打造一个生产级的 AI 应用。每一期，我们都会围绕这个项目，将最前沿的 LangChain 技术，像搭乐高一样，一块一块地拼接到我们的客服小助手身上，让它从一个简单的“应声虫”逐步进化为能读懂人心、解决问题的“超级大脑”。

本期的副标题是：深入理解 LangChain 核心组件与智能客服的基石。我们将奠定整个项目的基石，让你对 LangChain 有一个鸟瞰式的理解，并构建我们智能客服助手的第一个原型——一个能理解并总结客户问题的“倾听者”。

🎯 本期学习目标

经过本期的洗礼，你将能够：

1. 洞察 LangChain 核心价值：理解 LangChain 如何简化 LLM 应用开发，以及它在构建复杂 AI 系统中的不可替代性。
2. 掌握 LangChain 基石组件：熟练运用 LLM（语言模型）、PromptTemplate（提示词模板）和 OutputParser（输出解析器）这些核心构件。
3. 搭建智能客服原型：亲手构建一个能接收客户问题并进行精准总结的智能客服小助手，迈出实战的第一步。
4. 识别潜在开发陷阱：提前了解 LangChain 开发中的常见误区与最佳实践，少走弯路，直抵成功。

📖 原理解析

好了，少年们，坐稳了！我们现在要深入 LangChain 的核心世界。你可能会问，市面上那么多 LLM 库，为什么偏偏要学 LangChain？我的答案很简单：LangChain 不仅仅是一个库，它是一个框架，一个生态系统，一个能让你把 LLM 的强大能力真正工程化、产品化的利器。

想象一下，你的智能客服小助手，未来不仅要回答问题，还要查询订单、生成邮件、甚至与外部系统交互。如果直接用原始的 LLM API，你很快就会陷入“意大利面条式代码”的泥潭。而 LangChain，就像一个精密的管弦乐队指挥，它能帮你把各种复杂的 LLM 调用、数据处理、外部工具集成，优雅地编排起来。

对于我们的智能客服知识库项目来说，LangChain 的核心价值体现在：

• 模块化与可组合性：把 LLM 应用拆解成一个个可复用的组件（比如，一个组件负责理解用户意图，另一个组件负责查询知识库，再一个负责生成回复），然后像乐高一样自由组合。
• 链式思维 (Chains)：将这些组件串联起来，形成一个有序的工作流，一步步处理用户的请求。
• 数据流管理：在各个组件之间高效、结构化地传递数据，确保信息不丢失、不混乱。

LangChain 的三大基石

在构建我们的第一个智能客服原型时，我们将主要接触 LangChain 的三个最基础，但也是最重要的概念：

1. LLM (Language Models) - 语言模型：

   • 道 (The Way)：这是我们智能客服的“大脑”。它负责理解、生成自然语言。无论是 OpenAI 的 GPT 系列，还是 Anthropic 的 Claude，亦或是本地部署的 Llama 2，它们都是你这个 AI 系统的核心计算单元。LangChain 提供了一层抽象，让你能轻松切换不同的 LLM，而无需修改太多业务逻辑。
   • 术 (The Art)：在 LangChain 中，LLM 被封装成一个接口，你只需要实例化它，然后就可以像调用函数一样给它输入文本，它就会给你返回文本。

2. PromptTemplate - 提示词模板：

   • 道 (The Way)：如果说 LLM 是大脑，那 PromptTemplate 就是给大脑下的“指令书”。你不能指望 LLM 凭空知道你要它做什么。你需要清晰、明确、结构化地告诉它。PromptTemplate 允许你预定义好指令的骨架，然后动态地填充变量，就像填空题一样。这对于确保智能客服的回答风格、准确性、一致性至关重要。
   • 术 (The Art)：它接收用户输入（比如客户的问题），结合预设的系统角色和指令，生成一个完整的、准备喂给 LLM 的提示词。

3. OutputParser - 输出解析器：

   • 道 (The Way)：LLM 的原始输出通常是自由格式的文本，而我们的应用程序往往需要结构化的数据来进一步处理（比如，从客服总结中提取订单号、问题类型等）。OutputParser 的作用就是把 LLM 生成的“大白话”翻译成机器能理解的 JSON、列表或其他特定格式。这是连接 LLM 与后续业务逻辑的关键桥梁。
   • 术 (The Art)：它接收 LLM 的文本输出，并尝试按照预设的规则将其解析成我们需要的格式。

智能客服原型工作流 (Mermaid 图解)

现在，让我们用一张图来清晰地展示，当一个客户提出问题时，我们的第一个智能客服小助手是如何工作的：

graph TD
    A[用户提问: "我的订单#123还没发货"] --> B(PromptTemplate: 构造指令)
    B -- 填充变量 {customer_query} --> C{完整提示词: "你是一个客服助手...总结问题: 我的订单#123还没发货"}
    C --> D[LLM (e.g., GPT-3.5-Turbo): 理解并生成总结]
    D -- 原始文本输出 --> E(OutputParser: 解析为结构化数据或纯文本)
    E -- 总结后的问题 --> F[智能客服回复: "客户的问题是关于订单#123未发货"]

    style A fill:#f9f,stroke:#333,stroke-width:2px,color:#333
    style F fill:#bbf,stroke:#333,stroke-width:2px,color:#333
    style B fill:#e0f7fa,stroke:#0097a7,stroke-width:1px,color:#333
    style C fill:#fff3e0,stroke:#ff8f00,stroke-width:1px,color:#333
    style D fill:#e8f5e9,stroke:#4caf50,stroke-width:1px,color:#333
    style E fill:#ffebee,stroke:#d32f2f,stroke-width:1px,color:#333

图解说明：

1. 用户提问：客户输入他们的疑问，这是我们流程的起点。
2. PromptTemplate (构造指令)：这个组件接收用户的原始问题，并将其嵌入到我们预设的提示词模板中。这个模板会告诉 LLM 它的角色（智能客服助手）、任务（总结问题）以及如何输出。
3. 完整提示词：经过 PromptTemplate 处理后，一个包含所有指令和用户问题的完整提示词被生成，准备发送给 LLM。
4. LLM (语言模型)：我们的“大脑”接收到提示词后，开始处理。它会根据指令和自身强大的语言理解能力，生成对客户问题的总结。
5. OutputParser (解析输出)：LLM 的输出是纯文本。OutputParser 负责对其进行处理。在本期，我们可能只是简单地返回纯文本，但在后续课程中，它会变得更加智能，将文本解析成 JSON 等结构化数据。
6. 智能客服回复：最终，经过解析的总结文本被呈现给用户或内部客服人员，完成了本次交互。

这个简单的链式结构，就是 LangChain 的精髓。它将复杂的 AI 任务分解成可管理、可组合的步骤，让你能清晰地看到数据流向和处理逻辑。

💻 实战代码演练 (客服项目中的具体应用)

理论讲完了，是时候撸起袖子，把这些概念变成我们智能客服小助手的第一行代码了！

项目需求：智能客服问题总结器

我们的智能客服知识库项目的第一步，是让小助手能够准确、简洁地总结客户提出的问题。这听起来简单，但却是后续所有复杂功能（比如意图识别、知识库检索、工单创建）的基础。一个好的总结能帮助客服人员快速理解问题核心，也能为后续的自动化处理提供清晰的输入。

我们将使用 Python 来进行实战演练，并提供 TypeScript 的代码片段作为参考。

环境准备

在开始之前，请确保你已经安装了 Python (推荐 3.9+) 和 npm/yarn (如果使用 TypeScript)。

1. 创建项目目录并安装依赖：

# 创建项目文件夹
mkdir intelligent-support-copilot
cd intelligent-support-copilot

# 创建并激活虚拟环境 (Python 最佳实践)
python -m venv venv
source venv/bin/activate # macOS/Linux
# 或 venv\Scripts\activate # Windows

# 安装 LangChain 核心库、OpenAI 接口库和 dotenv
pip install langchain langchain-openai python-dotenv

# 如果你同时想看 TypeScript 示例 (可选)
# mkdir ts-example
# cd ts-example
# npm init -y
# npm install langchain @langchain/openai @langchain/core dotenv
# npm install -D typescript @types/node ts-node
# cd .. # 返回项目根目录

2. 设置 OpenAI API Key：

在项目根目录下创建一个 .env 文件，并填入你的 OpenAI API Key。切记不要将 API Key 直接写在代码中或提交到版本控制！

OPENAI_API_KEY="sk-YOUR_OPENAI_API_KEY_HERE"

Python 实战代码

创建一个 main.py 文件：

import os
from dotenv import load_dotenv

# 从 langchain_openai 导入 ChatOpenAI，用于与 OpenAI 模型交互
from langchain_openai import ChatOpenAI
# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建提示词模板
from langchain_core.prompts import ChatPromptTemplate
# 从 langchain_core.output_parsers 导入 StrOutputParser，用于将 LLM 输出解析为字符串
from langchain_core.output_parsers import StrOutputParser
# 从 langchain_core.runnables 导入 RunnablePassthrough，用于简单地传递输入
# 这是一个非常重要的概念，代表了 LangChain 表达式语言 (LCEL) 的基础构件

# 加载环境变量 (包括 OPENAI_API_KEY)
load_dotenv()

print("--- 智能客服小助手：问题总结器启动 ---")

# --- 1. 初始化语言模型 (LLM) ---
# 我们选择 ChatOpenAI，因为它更适合对话和指令遵循任务
# model="gpt-3.5-turbo" 是一个经济且性能不错的选择
# temperature 参数控制模型的创造性 (0.0 表示更确定性，1.0 表示更有创造性)
# 对于客服问题总结，我们追求准确和稳定，所以温度设置较低
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.3)
print("✅ LLM (GPT-3.5-Turbo) 初始化完成。")

# --- 2. 定义 PromptTemplate (提示词模板) ---
# 这是我们智能客服的“说明书”。它告诉 LLM 它的角色和任务。
# from_messages 允许我们定义对话式的提示词，包括系统消息和用户消息。
# "system" 消息设定了 LLM 的身份和行为准则。
# "user" 消息是实际的用户输入，其中 {customer_query} 是一个占位符，将在运行时填充。
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个经验丰富且专业的智能客服助手。你的任务是简洁、准确、客观地总结客户提出的问题，提取核心要点，不添加任何额外信息或猜测。"),
    ("user", "客户原始问题：\n{customer_query}\n\n请严格按照上述要求总结客户问题：")
])
print("✅ PromptTemplate 定义完成。")

# --- 3. 定义 OutputParser (输出解析器) ---
# 对于本期的简单总结任务，我们只需要将 LLM 的文本输出直接作为字符串返回即可。
# StrOutputParser 是最基础的解析器。
output_parser = StrOutputParser()
print("✅ OutputParser (StrOutputParser) 定义完成。")

# --- 4. 组装成一个 LangChain 链 (Chain) ---
# LangChain 的核心概念之一就是“链”。
# 我们使用 LangChain 表达式语言 (LCEL) 来组装这些组件。
# 管道操作符 "|" 意味着将前一个组件的输出作为后一个组件的输入。
# 流程：用户输入 -> prompt 填充 -> LLM 处理 -> output_parser 解析 -> 最终输出
customer_problem_summarizer_chain = prompt | llm | output_parser
print("✅ LangChain 链组装完成：Prompt -> LLM -> OutputParser。")

# --- 5. 实战演练：模拟客户提问并获取总结 ---

print("\n--- 模拟客户提问场景 ---")

# 场景一：简单的订单查询
customer_issue_1 = "我的订单号是 #20230815-001，我已经付款了，但是到现在还没有收到发货通知。网站上显示还在处理中，请问我的包裹什么时候能发货？我急着用！"
print(f"\n[客户原始问题 1]:\n{customer_issue_1}\n")
print("📞 智能客服助手正在总结中...")
summary_1 = customer_problem_summarizer_chain.invoke({"customer_query": customer_issue_1})
print(f"[智能客服总结 1]:\n{summary_1}\n")
# 预期输出示例：客户询问订单 #20230815-001 的发货状态，该订单已付款但未收到发货通知，希望能尽快发货。

# 场景二：包含多个意图的复杂问题
customer_issue_2 = "我昨天在你们网站购买了一个智能音箱，订单号是 #20230816-002。我发现我选错了颜色，我想把黑色换成白色。另外，我看到你们最近有活动，满500减50，我的订单是499元，能申请优惠吗？"
print(f"\n[客户原始问题 2]:\n{customer_issue_2}\n")
print("📞 智能客服助手正在总结中...")
summary_2 = customer_problem_summarizer_chain.invoke({"customer_query": customer_issue_2})
print(f"[智能客服总结 2]:\n{summary_2}\n")
# 预期输出示例：客户关于订单 #20230816-002 有两个问题：一是希望将智能音箱的颜色从黑色更换为白色；二是询问订单金额 499 元是否能申请满 500 减 50 的活动优惠。

# 场景三：模糊的问题
customer_issue_3 = "你们的产品是不是不太好用啊？我买了一个，感觉老是卡顿，是不是质量问题啊？"
print(f"\n[客户原始问题 3]:\n{customer_issue_3}\n")
print("📞 智能客服助手正在总结中...")
summary_3 = customer_problem_summarizer_chain.invoke({"customer_query": customer_issue_3})
print(f"[智能客服总结 3]:\n{summary_3}\n")
# 预期输出示例：客户反馈购买的产品存在卡顿现象，怀疑是质量问题。

print("--- 智能客服小助手：问题总结器运行完毕 ---")

运行代码：

python main.py

你将看到类似以下的输出（具体总结内容可能因 LLM 模型和温度设置略有差异）：

--- 智能客服小助手：问题总结器启动 ---
✅ LLM (GPT-3.5-Turbo) 初始化完成。
✅ PromptTemplate 定义完成。
✅ OutputParser (StrOutputParser) 定义完成。
✅ LangChain 链组装完成：Prompt -> LLM -> OutputParser。

--- 模拟客户提问场景 ---

[客户原始问题 1]:
我的订单号是 #20230815-001，我已经付款了，但是到现在还没有收到发货通知。网站上显示还在处理中，请问我的包裹什么时候能发货？我急着用！

📞 智能客服助手正在总结中...
[智能客服总结 1]:
客户询问订单号 #20230815-001 的发货状态，该订单已付款但尚未收到发货通知，目前网站显示仍在处理中，客户急需了解包裹何时能发货。

[客户原始问题 2]:
我昨天在你们网站购买了一个智能音箱，订单号是 #20230816-002。我发现我选错了颜色，我想把黑色换成白色。另外，我看到你们最近有活动，满500减50，我的订单是499元，能申请优惠吗？

📞 智能客服助手正在总结中...
[智能客服总结 2]:
客户关于订单号 #20230816-002 有两点需求：一是希望将购买的智能音箱颜色从黑色更换为白色；二是询问其订单金额 499 元是否能参与满 500 减 50 的优惠活动。

[客户原始问题 3]:
你们的产品是不是不太好用啊？我买了一个，感觉老是卡顿，是不是质量问题啊？

📞 智能客服助手正在总结中...
[智能客服总结 3]:
客户反映购买的产品存在卡顿问题，并质疑产品质量。

--- 智能客服小助手：问题总结器运行完毕 ---

TypeScript 示例 (简要展示，与 Python 逻辑一致)

如果你是 TypeScript 爱好者，LangChain 也提供了非常完善的 TS 支持。核心逻辑与 Python 几乎完全一致，只是语法有所不同。

创建一个 ts-example/src/main.ts 文件：

// ts-example/src/main.ts
import { ChatOpenAI } from "@langchain/openai";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";
import * as dotenv from "dotenv";

// 加载环境变量
dotenv.config();

async function main() {
    console.log("--- 智能客服小助手：问题总结器启动 (TypeScript) ---");

    // 1. 初始化语言模型
    const llm = new ChatOpenAI({
        modelName: "gpt-3.5-turbo",
        temperature: 0.3,
    });
    console.log("✅ LLM (GPT-3.5-Turbo) 初始化完成。");

    // 2. 定义PromptTemplate
    const prompt = ChatPromptTemplate.fromMessages([
        ["system", "你是一个经验丰富且专业的智能客服助手。你的任务是简洁、准确、客观地总结客户提出的问题，提取核心要点，不添加任何额外信息或猜测。"],
        ["user", "客户原始问题：\n{customer_query}\n\n请严格按照上述要求总结客户问题："],
    ]);
    console.log("✅ PromptTemplate 定义完成。");

    // 3. 定义OutputParser
    const outputParser = new StringOutputParser();
    console.log("✅ OutputParser (StringOutputParser) 定义完成。");

    // 4. 组装成一个 LangChain 链
    // 在 TypeScript 中，我们使用 .pipe() 方法来连接组件
    const customerProblemSummarizerChain = prompt.pipe(llm).pipe(outputParser);
    console.log("✅ LangChain 链组装完成：Prompt -> LLM -> OutputParser。");

    // 5. 实战演练：模拟客户提问
    const customerIssue = "我的订单号是 #20230815-001，我已经付款了，但是到现在还没有收到发货通知。网站上显示还在处理中，请问我的包裹什么时候能发货？我急着用！";
    console.log(`\n[客户原始问题]:\n${customerIssue}\n`);
    console.log("📞 智能客服助手正在总结中...");
    const summary = await customerProblemSummarizerChain.invoke({ customer_query: customerIssue });
    console.log(`[智能客服总结]:\n${summary}\n`);

    console.log("--- 智能客服小助手：问题总结器运行完毕 (TypeScript) ---");
}

main().catch(console.error);

运行 TypeScript 代码：

# 在 ts-example 目录下
cd ts-example
npx ts-node src/main.ts

你会看到与 Python 类似的输出。这充分体现了 LangChain 在