需求简介
易束鲜花企业内部知识库如下：
本实战项目设计一个内部问答系统，基于这些内部知识，回答内部员工的提问。
在前面课程的基础上，需要安装的依赖包如下：
pip install docx2txt
pip install qdrant-client
pip install flask初始化代码
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
load_dotenv()
ai_model = os.getenv("OPENAI_MODEL")
# 实例化一个大模型工具
llm = ChatOpenAI(model_name=ai_model, temperature=0)
from langchain_community.embeddings import HuggingFaceBgeEmbeddings
embedings = HuggingFaceBgeEmbeddings(model_name='./BAAI/bge-large-zh-v1.5', model_kwargs={'device': 'cuda'})
import logging
logging.basicConfig()
logging.getLogger('langchain.retrievers.multi_query').setLevel(logging.INFO)这段代码实例化了一个deepseek的llm，bge-large-zh 的向量模型、日志组件
导入内部知识到向量数据库
# 加载Documents
base_dir = './OneFlower'
documents = []
for file in os.listdir(base_dir):
# 构建完整的文件路径
file_path = os.path.join(base_dir, file)
if file.endswith('.pdf'):
loader = PyPDFLoader(file_path)
documents.extend(loader.load())
elif file.endswith('.docx'):
loader = Docx2txtLoader(file_path)
documents.extend(loader.load())
elif file.endswith('.txt'):
loader = TextLoader(file_path)
documents.extend(loader.load())
# 2.Split 将Documents切分成块以便后续进行嵌入和向量存储
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=10)
chunked_documents = text_splitter.split_documents(documents)
from langchain_community.vectorstores import Qdrant
vectorstore = Qdrant.from_documents(
documents=chunked_documents,
embedding=embedings,
location=":memory:",
collection_name="my_documents",
)内部知识在OneFlow文件夹中，包含了pdf文档、文本文档、word文档等格式，通过加载器加载到document中，然后使用分词器去分割，最后以内存的方式存入到Qdrant向量数据库中
构建查询的QA链
from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain.chains import RetrievalQA
# 实例化一个MultiQueryRetriever
retriever_from_llm = MultiQueryRetriever.from_llm(retriever=vectorstore.as_retriever(), llm=llm)
# 实例化一个RetrievalQA链
qa_chain = RetrievalQA.from_chain_type(llm, retriever=retriever_from_llm)MultiQueryRetriever 核心机制与技术优势
一、核心功能
多视角查询扩展
- 接收用户原始查询后，利用 LLM 自动生成多个语义相关但表达形式不同的子查询，例如针对模糊查询补充具体场景或同义词描述。
- 每个子查询独立执行向量数据库检索，合并结果并去重，形成更全面的文档集合。
动态适配场景
- 适用于用户输入模糊、语义范围广的场景（如开放性问题），通过多查询覆盖不同解读角度，降低因单一检索偏差导致的错误响应25。
二、技术实现原理
生成-检索-融合流程
- 生成阶段：LLM 根据原始查询生成 3-5 个变体问题，例如将“气候变化的影响”扩展为“全球变暖的经济后果”“碳排放对生态系统的破坏”等。
- 检索阶段：各子查询分别通过向量相似度计算从数据库召回 Top-K 文档。
- 融合阶段：合并所有文档并按相关性排序，去重后返回最终结果集。
性能优化特性
- 支持异步并发执行子查询检索，显著缩短整体响应时间2。
- 可配置生成查询数量、LLM 温度参数（
temperature）以平衡生成多样性与相关性。
三、典型应用场景
模糊语义解析
- 当用户提问包含歧义术语（如“AI 的伦理问题”）时，自动生成“人工智能数据隐私风险”“机器学习算法偏见案例”等子查询，提升知识覆盖范围。
跨领域知识检索
- 在垂直领域（如医疗、法律）中，通过多查询映射专业术语与通用表述，解决术语差异导致的检索遗漏问题
RetrievalQA 组件解析
一、核心功能与定位
- 检索增强生成（RAG）：将外部知识库检索与语言模型生成能力结合，通过“先检索后回答”机制提升问答准确性13。
- 适用场景：适用于需要结合结构化/非结构化数据（如文档、数据库）的问答系统，可解决大模型幻觉问题
启动服务器
# 5. Output 问答系统的UI实现
from flask import Flask, request, render_template
app = Flask(__name__) # Flask APP
@app.route('/', methods=['GET', 'POST'])
def home():
if request.method == 'POST':
# 接收用户输入作为问题
question = request.form.get('question')
# RetrievalQA链 - 读入问题，生成答案
result = qa_chain({"query": question})
# 把大模型的回答结果返回网页进行渲染
return render_template('index.html', result=result)
return render_template('index.html')
if __name__ == "__main__":
app.run(host='0.0.0.0', debug=True, port=5000)这里使用flask启动了一个服务，监听post请求，调用qa链，返回数据渲染到index.html
index.html文件内容如下：
<body>
<div class="container">
<div class="header">
<h1>易速鲜花内部问答系统</h1>
<img src="{{ url_for('static', filename='flower.png') }}" alt="flower logo" width="200">
</div>
<form method="POST">
<label for="question">Enter your question:</label>
<input type="text" id="question" name="question"><br>
<input type="submit" value="Submit">
</form>
{% if result is defined %}
<h2>Answer</h2>
<p>{{ result.result }}</p>
{% endif %}
</div>
</body>运行
输入查询的问题后，后台运行的输出如下
