為了讓向量檢索加入鏈，可以使用RunnablePassthrough來實(shí)現(xiàn)

# 導(dǎo)入必要的庫
from langchain_community.chat_models import ChatTongyi  # 通義千問聊天模型
from langchain_core.vectorstores import InMemoryVectorStore  # 內(nèi)存向量存儲
from langchain_community.embeddings import DashScopeEmbeddings  #  DashScope 嵌入模型
from langchain_core.prompts import ChatPromptTemplate  # 聊天提示詞模板
from langchain_core.output_parsers import StrOutputParser  # 字符串輸出解析器
from langchain_core.runnables import RunnablePassthrough  # 可運(yùn)行的通配符，用于傳遞輸入
from langchain_core.documents import Document  # 文檔對象

# 初始化聊天模型
# 使用通義千問的 qwen3-max 模型
model = ChatTongyi(model="qwen3-max")

# 創(chuàng)建提示詞模板，包含系統(tǒng)提示和用戶提示
# 系統(tǒng)提示：要求模型以提供的參考資料為主，簡潔專業(yè)地回答問題
# 用戶提示：包含用戶的具體問題
prompt = ChatPromptTemplate.from_messages([
    ("system", "以我提供的參考資料為主，簡潔和專業(yè)的回答用戶問題。參考資料：{context}。"),
    ("user", "用戶提問：{input}"),
])

# 初始化內(nèi)存向量存儲，使用 DashScope 嵌入模型
# 嵌入模型用于將文本轉(zhuǎn)換為向量表示，以便進(jìn)行相似度搜索
vector_store = InMemoryVectorStore(embedding=DashScopeEmbeddings(model="text-embedding-v4"))

# 向向量庫中添加文本數(shù)據(jù)
# 這里添加了三條與減肥相關(guān)的文本作為知識儲備
vector_store.add_texts(["減肥就是要少吃多練","在減脂期間吃東西很重要，清淡少油控制卡路里攝入并運(yùn)動起來","跑步是很好的運(yùn)動哦"])

# 用戶輸入的問題
input_text = "如何減肥？"

# 定義一個函數(shù)，用于打印提示詞內(nèi)容
# 這樣可以在鏈執(zhí)行過程中看到完整的提示詞
# 同時該函數(shù)會返回原始提示詞，不影響鏈的執(zhí)行
def print_prompt(prompt):
    print(prompt.to_string())
    print("="*20)
    return prompt

# langchain中向量存儲對象，有一個方法：as_retriever，可以返回一個Runnable接口的子類實(shí)例對象
# search_type="similarity" 表示使用相似度搜索
# search_kwargs={"k": 2} 表示返回最相似的2個結(jié)果
retriever = vector_store.as_retriever(search_type="similarity", search_kwargs={"k": 2})

# 定義一個函數(shù)，用于格式化檢索到的文檔
# 將文檔列表轉(zhuǎn)換為字符串格式，方便在提示詞中使用
def format_func(docs: list[Document]):
    if not docs:
        return "無相關(guān)參考資料"
    formatted_str = "["
    for doc in docs:
        formatted_str += f"{doc.page_content}"
    formatted_str += "]"
    return formatted_str

'''

retriever:
    輸入：用戶的提問         str
    輸出：向量庫的檢索結(jié)果    list[Document]

prompt:
    輸入：用戶的提問+向量庫的檢索結(jié)果    dict
    輸出：完整的提示詞                  PromptValue

'''

# 構(gòu)建鏈?zhǔn)教幚砹鞒?# 1. 使用字典將輸入分配給不同的鍵：
#    - "input": 使用 RunnablePassthrough() 直接傳遞用戶輸入
#    - "context": 使用 retriever 檢索相關(guān)文檔，然后通過 format_func 格式化
# 2. 將結(jié)果傳遞給 prompt 模板
# 3. 通過 print_prompt 函數(shù)打印完整提示詞
# 4. 將提示詞傳遞給模型生成回答
# 5. 使用 StrOutputParser 解析模型輸出為字符串
chain = {"input": RunnablePassthrough(), "context": retriever | format_func} | prompt | print_prompt | model | StrOutputParser()

# 執(zhí)行鏈并獲取回答
answer = chain.invoke(input_text)

# 打印回答
print(answer)

System: 以我提供的參考資料為主，簡潔和專業(yè)的回答用戶問題。參考資料：[減肥就是要少吃多練在減脂期間吃東西很重要，清淡少油控制卡路里攝入并運(yùn)動起來]。
Human: 用戶提問：如何減肥？
====================
減肥的關(guān)鍵在于“少吃多練”：  
- **飲食方面**：選擇清淡、少油的食物，嚴(yán)格控制每日卡路里攝入；  
- **運(yùn)動方面**：堅(jiān)持規(guī)律運(yùn)動，增加熱量消耗。  

通過合理飲食與科學(xué)鍛煉相結(jié)合，才能有效減脂并保持健康。