AI Agent白手起家49: 从零构建 ChatDoc 文档对话助手
纲要
- 项目概述：ChatDoc 文档检索对话助手
- 核心功能
- 加载 PDF、Word 和 Excel 文档
- 文档切片与国产嵌入模型向量化
- Chroma 向量存储与智能检索
- 多种检索调优策略（查询重写、上下文压缩、MMR、相似性打分）
- 封装为流式对话链
- 实现步骤
- 统一文件加载器（根据后缀自动选择）
- 文本预处理与切片
- 向量化与存储（BGE‑M3 + Chroma）
- 基础检索与高级优化
- 构建对话链并支持流式输出
- 完整可运行代码：整合加载、切片、嵌入、检索与对话的本地示例
引言
掌握了 RAG 的各个独立组件——文档加载、切片、嵌入、向量数据库和检索器——之后，下一步就是将它们串联成一个完整的应用。本文将以“ChatDoc”项目为例，手把手带你构建一个支持 PDF、Word、Excel 三种格式的文档对话助手。你将看到如何用国产嵌入模型 BGE‑M3 和 Chroma 向量库搭建底层设施，并通过查询重写、上下文压缩等调优手段大幅提升回答质量，最后封装为带流式输出的对话链。
项目架构
ChatDoc 的整体流程遵循经典 RAG 流水线，并在检索环节加入了多种优化策略。
实现步骤
环境准备
安装所需依赖：
pipinstalllangchain langchain-core langchain-community chromadb pypdf openpyxl docx2txt文件加载器：统一入口
首先实现一个get_file_loader函数，根据文件后缀自动选择对应的加载器，将 PDF、Word、Excel 统一转换为 LangChain 的Document对象。
fromlangchain_community.document_loadersimportPyPDFLoaderfromlangchain_community.document_loadersimportDocx2txtLoaderfromlangchain_community.document_loadersimportUnstructuredExcelLoaderdefget_file_loader(file_path:str):iffile_path.endswith(".pdf"):returnPyPDFLoader(file_path)eliffile_path.endswith(".docx"):returnDocx2txtLoader(file_path)eliffile_path.endswith(".xlsx"):returnUnstructuredExcelLoader(file_path)else:raiseValueError(f"不支持的文件格式:{file_path}")文档切片与向量化
使用RecursiveCharacterTextSplitter按段落切分文档，再通过 BGE‑M3 嵌入模型向量化后存入 Chroma。
fromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_community.embeddingsimportHuggingFaceBgeEmbeddingsfromlangchain_community.vectorstoresimportChroma# 切片器splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50)# 国产嵌入模型 BGE-M3（需联网下载，也可使用 FakeEmbeddings 替代测试）embedding_model=HuggingFaceBgeEmbeddings(model_name="BAAI/bge-m3")defbuild_vectorstore(docs):split_docs=splitter.split_documents(docs)vectorstore=Chroma.from_documents(split_docs,embedding_model,collection_name="chatdoc")returnvectorstore基础检索与多重查询优化
使用MultiQueryRetriever对用户问题进行改写，生成多个精准子问题后再检索，从而提高召回率。
fromlangchain_community.chat_modelsimportChatOpenAIfromlangchain.retrievers.multi_queryimportMultiQueryRetriever llm=ChatOpenAI(model="gpt-3.5-turbo")# 可替换为 DeepSeek 等国产模型base_retriever=vectorstore.as_retriever(search_kwargs={"k":3})multi_retriever=MultiQueryRetriever.from_llm(retriever=base_retriever,llm=llm)results=multi_retriever.invoke("公司名称是什么？")上下文压缩
使用LLMChainExtractor对检索结果进行二次压缩，仅保留与问题最相关的核心内容。
fromlangchain.retrieversimportContextualCompressionRetrieverfromlangchain.retrievers.document_compressorsimportLLMChainExtractor compressor=LLMChainExtractor.from_llm(llm)compression_retriever=ContextualCompressionRetriever(base_compressor=compressor,base_retriever=base_retriever)compressed_results=compression_retriever.invoke("公司名称是什么？")相似性分数过滤与 MMR
通过similarity_search_with_score设定阈值（如 0.5），过滤低分文档。MMR 则可直接通过as_retriever的search_type参数启用。
# 相似性分数过滤results_with_score=vectorstore.similarity_search_with_score("公司名称",k=5)relevant_docs=[docfordoc,scoreinresults_with_scoreifscore>0.5]# MMR 搜索mmr_retriever=vectorstore.as_retriever(search_type="mmr",search_kwargs={"k":3,"lambda_mult":0.5})mmr_results=mmr_retriever.invoke("公司名称")封装为对话链
最后，将检索、压缩与 LLM 组合成一条支持流式输出的对话链。
fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_core.output_parsersimportStrOutputParser prompt=ChatPromptTemplate.from_messages([("system","你是一个处理文档的秘书，根据提供的上下文用中文回答问题。"),("human","上下文：{context}\n\n问题：{question}")])chain=({"context":compression_retriever,"question":RunnablePassthrough()}|prompt|llm|StrOutputParser())forchunkinchain.stream("公司注册地址是哪儿？"):print(chunk,end="")完整可运行代码（使用模拟嵌入）
以下脚本整合了上述核心步骤，使用FakeEmbeddings和FakeListChatModel替代真实的模型，无需下载模型或 API Key 即可运行。请将sample.docx替换为实际文件路径，或直接使用代码中的模拟文档。
fromlangchain_community.document_loadersimportDocx2txtLoaderfromlangchain_text_splittersimportRecursiveCharacterTextSplitterfromlangchain_community.embeddings.fakeimportFakeEmbeddingsfromlangchain_community.vectorstoresimportChromafromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_community.chat_models.fakeimportFakeListChatModelfromlangchain_core.documentsimportDocument# 1. 模拟一个文档（如果实际文件存在则使用 Docx2txtLoader 加载）# 为方便演示，直接构造一个 Document 对象sample_text=""" 公司名称：宏图科技发展公司 注册地址：江苏省南京市玄武区长江路100号 主营业务：人工智能软件开发、大数据分析 """doc=Document(page_content=sample_text,metadata={"source":"公司信息"})# 2. 切片splitter=RecursiveCharacterTextSplitter(chunk_size=100,chunk_overlap=20)split_docs=splitter.split_documents([doc])# 3. 向量化（模拟嵌入）embeddings=FakeEmbeddings(size=128)vectorstore=Chroma.from_documents(split_docs,embeddings,collection_name="chatdoc")# 4. 基础检索器base_retriever=vectorstore.as_retriever(search_kwargs={"k":2})# 5. 模拟大模型（预设回答）fake_llm=FakeListChatModel(responses=["根据文档内容，公司名称为宏图科技发展公司，注册地址在江苏省南京市玄武区长江路100号。"])# 6. 对话链prompt=ChatPromptTemplate.from_messages([("system","你是一个文档助手，根据提供的上下文回答问题。"),("human","上下文：{context}\n\n问题：{question}")])chain=({"context":base_retriever,"question":lambdax:x}|prompt|fake_llm|StrOutputParser())# 7. 测试question="公司注册地址是哪儿？"print("用户问题：",question)print("助手回答：",chain.invoke(question))运行该脚本，你将看到助手根据检索到的文档片段给出了正确的注册地址。此模板可以轻松扩展到真实文档、真实嵌入模型和大语言模型，并加入多重查询、上下文压缩等优化策略，构建强大的文档对话应用。
总结
ChatDoc 项目完整展示了从文档加载、切片、向量化，到检索调优和对话封装的全流程。通过组合MultiQueryRetriever、LLMChainExtractor以及相似性分数/MMR 过滤，你可以灵活地提升回答质量。这个骨架稍加扩展，就能演变为你自己的知识库问答系统。