📚 第7期：RAG检索增强生成 — 高炉知识库的"百科全书"
专栏：《LangChain框架在高炉炼铁智能化领域的应用》
前情回顾：上期我们用 Chain 串起了 AI 处理流水线
本期重点：RAG（检索增强生成）—— 让 AI 学会"查资料"再回答问题
📖 引言：AI 的"知识瓶颈"
想象一个场景 👇
你问 AI：
👨🏭你：“5号高炉在2023年3月那次悬料事故是怎么处理的？”
🤖AI（自信满满）：“那场事故是因为风量突然下降导致的，建议减风加焦……”
然后你翻出了档案记录：
📄档案记录：“2023年3月悬料事故根本原因是原燃料质量波动，执行了排风+空吹操作……”
😱AI 完全说错了！
大模型的问题：
- ❌ 训练数据截止日期之后的信息不知道
- ❌ 企业内部专有数据没见过
- ❌ 会"幻觉"——编造看似合理但错误的内容
解决方案 = RAG（Retrieval-Augmented Generation）🦸♂️
🧩 RAG 是什么？三句话
RAG = 检索（Retrieve） + 增强（Augment） + 生成（Generate） 1️⃣ 检索：从知识库中找到相关的文档片段 2️⃣ 增强：把检索到的内容拼接到 Prompt 中 3️⃣ 生成：让 AI 基于这些资料回答问题核心原理图：
用户问题 ──→ [检索] ──→ 向量知识库 │ ↑ │ ┌────┴────┐ │ │ 文档分片 │ │ │ 向量化 │ ▼ └─────────┘ [增强 Prompt] │ [生成回答] ▼ 最终答案 ✅类比高炉场景：
没有RAG的AI → 凭经验开高炉的老师傅（记忆有限、会忘事） 有RAG的AI → 带着操作手册开高炉的老师傅（随时翻书、准确率高）🏗️ 搭建RAG系统的完整流程（9步详解）
Step 1~4：文档处理（构建知识库）
# 📁 rag_knowledge_base.py# 高炉知识库构建脚本fromlangchain.text_splitterimportRecursiveCharacterTextSplitterfromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddingsfromtypingimportList,Dictimportos# ─────────── Step 1: 加载文档 ───────────defload_blast_furnace_documents()->List[str]:""" 加载高炉相关的知识文档 实际场景中，这些文档来自：操作手册、技术标准、历史案例、论文等 """documents=[# 模拟知识文档片段""" 【高炉悬料处理规程】 当出现悬料征兆时（风压升高>0.45MPa，风量下降>10%）： 第一步：立即减风 10-15%，稳定压量关系 第二步：如 5 分钟后无改善，进一步减风至 50% 第三步：如仍未崩料，执行排风操作 注意事项：严禁在悬料状态下强行加风！ """,""" 【炉温判断标准】 铁水温度正常范围：1480-1520°C 硅含量正常范围：0.35-0.55% 炉渣碱度正常范围：1.10-1.25 当铁温<1480°C或硅含量<0.35%时，判定为"炉温偏低" 当铁温>1520°C或硅含量>0.55%时，判定为"炉温偏高" """,""" 【布料矩阵调整原则】 正常生产时使用"平台+漏斗"布料模式 边缘发展时，适当增加边缘矿量 中心发展时，适当增加中心焦量 布料角度通常控制在 8°-45° 之间 """]returndocuments# ─────────── Step 2: 文档分割 ───────────defsplit_documents(documents:List[str])->List:"""将长文档切分成合适的片段"""text_splitter=RecursiveCharacterTextSplitter(chunk_size=500,# 每段500字符chunk_overlap=50,# 重叠50字符，避免切碎关键信息separators=["\n\n","\n","。","."," ",""],length_function=len)chunks=[]fordocindocuments:splits=text_splitter.split_text(doc)chunks.extend(splits)print(f"📄 原始文档:{len(documents)}篇")print(f"✂️ 分割后:{len(chunks)}个片段")returnchunks# ─────────── Step 3: 向量化存储 ───────────defcreate_vector_store(chunks:List[str],persist_dir:str="./bf_knowledge_db"):"""将文档片段向量化并存入向量数据库"""embeddings=OpenAIEmbeddings(model="doubao-seed-2-0-lite-260215",# 支持向量化的模型api_key=os.getenv("COZE_WORKLOAD_IDENTITY_API_KEY"),base_url=os.getenv("COZE_INTEGRATION_MODEL_BASE_URL"),)# 创建向量存储vector_store=Chroma.from_texts(texts=chunks,embedding=embeddings,persist_directory=persist_dir)# 持久化保存vector_store.persist()print(f"💾 向量库已保存至:{persist_dir}")print(f"📊 向量维度:{len(vector_store.get()[0])ifhasattr(vector_store,'get')else'N/A'}")returnvector_store# ─────────── 执行构建 ───────────if__name__=="__main__":print("🚀 开始构建高炉知识库...")docs=load_blast_furnace_documents()chunks=split_documents(docs)vector_store=create_vector_store(chunks)print("✅ 知识库构建完成！")Step 5~9：RAG 问答系统
# 📁 rag_qa_system.py# 基于RAG的高炉知识问答系统fromlangchain_openaiimportChatOpenAI,OpenAIEmbeddingsfromlangchain_community.vectorstoresimportChromafromlangchain.chainsimportRetrievalQAfromlangchain.promptsimportPromptTemplateimportos# ─────────── Step 5: 加载知识库 ───────────defload_vector_store(persist_dir:str="./bf_knowledge_db"):"""加载已持久化的向量库"""embeddings=OpenAIEmbeddings(model="doubao-seed-2-0-lite-260215",api_key=os.getenv("COZE_WORKLOAD_IDENTITY_API_KEY"),base_url=os.getenv("COZE_INTEGRATION_MODEL_BASE_URL"),)returnChroma(persist_directory=persist_dir,embedding_function=embeddings)# ─────────── Step 6: 构建检索器 ───────────defbuild_retriever(vector_store,k:int=3):""" 构建检索器 k=3：每次检索返回最相关的3个文档片段 """returnvector_store.as_retriever(search_type="similarity",# 相似度检索search_kwargs={"k":k}# 返回Top-K结果)# ─────────── Step 7: 设计 RAG Prompt ───────────rag_prompt_template="""你是一名高炉炼铁专家。请基于以下参考资料回答用户的问题。 【参考资料】 {context} 【用户问题】 {question} 回答要求： 1. 优先使用参考资料中的内容回答 2. 如果参考资料不足以回答，请明确告知 3. 引用参考资料时说明来源 4. 回答要专业、具体、可操作 【回答】"""rag_prompt=PromptTemplate(template=rag_prompt_template,input_variables=["context","question"])# ─────────── Step 8: 构建 RAG Chain ───────────defbuild_rag_chain(vector_store):"""构建完整的RAG问答链"""llm=ChatOpenAI(model="doubao-seed-2-0-lite-260215",temperature=0.2,# 低温度，严格基于资料回答timeout=600)retriever=build_retriever(vector_store,k=3)# 使用 LangChain 内置的 RetrievalQAqa_chain=RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",# 把所有检索结果一起塞给LLMretriever=retriever,chain_type_kwargs={"prompt":rag_prompt,"verbose":True# 显示检索过程},return_source_documents=True# 返回检索到的原文)returnqa_chain# ─────────── Step 9: 执行问答 ───────────defask_rag(qa_chain,question:str):"""向RAG系统提问"""result=qa_chain.invoke({"query":question})print(f"\n{'='*50}")print(f"❓ 问题:{question}")print(f"{'='*50}")print(f"🤖 回答:\n{result['result']}")print(f"\n📚 参考来源 ({len(result['source_documents'])}篇):")fori,docinenumerate(result['source_documents'],1):print(f" [{i}]{doc.page_content[:100]}...")returnresult# ─────────── 运行 ───────────if__name__=="__main__":print("🚀 初始化RAG系统...")vector_store=load_vector_store()qa_chain=build_rag_chain(vector_store)# 测试几个问题questions=["铁水温度低于1480°C应该怎么办？","高炉悬料怎么处理？","布料矩阵调整的原则是什么？"]forqinquestions:ask_rag(qa_chain,q)print("\n")🔍 RAG vs 纯LLM：对比实验
我们用一个真实的高炉场景问题来对比：
问题
“铁水温度 1475°C，硅含量 0.32%，应该怎么调整？”
| 维度 | ❌ 纯LLM回答 | ✅ RAG回答 |
|---|---|---|
| 回答速度 | 快（不用查资料） | 稍慢（需检索） |
| 内容 | “温度偏低，需要加焦” | “根据《炉温判断标准》，铁温1475°C低于正常下限1480°C，硅含量0.32%低于0.35%下限。建议：①加焦3-5kg/t ②减风50m³/min ③加密观察” |
| 准确性 | 可能漏关键信息 | 有据可查，准确完整 |
| 幻觉风险 | 高 | 低（基于资料回答） |
结论：工业场景强烈推荐 RAG！✅✅✅
🏭 实战进阶：高炉操作案例库RAG
构建一个高炉历史操作案例的 RAG 系统，让 AI 能从历史事故中学习 🔥
# 模拟一个高炉历史案例数据结构historical_cases=[""" 案例编号：CASE-2023-0315 时间：2023年3月15日 高炉：4号高炉（3200m³） 事件类型：悬料 前兆：风压在30分钟内从0.38MPa升至0.46MPa 风量从5200m³/min降至4700m³/min 透气性指数从35降至26 处理措施：1. 立即减风15% 2. 减风后5分钟无改善，二次减风至50% 3. 执行排风操作，炉料崩落 4. 恢复风量至80%，观察15分钟后逐步加风 结果：成功处理，未造成设备损坏 经验总结：悬料初期果断减风是成功的关键 """,""" 案例编号：CASE-2024-0108 时间：2024年1月8日 高炉：5号高炉（2500m³） 事件类型：炉凉 前兆：铁水温度从1510°C连续8小时降至1465°C 硅含量从0.48%降至0.30% 炉渣颜色变黑 处理措施：1. 加焦总量15吨，分批加入 2. 适当降低风量5% 3. 检查冷却设备，发现漏水 4. 处理漏水后，炉温逐步恢复 结果：48小时后炉温恢复正常 经验总结：炉凉要查冷却系统是否有漏水 """]# 将这些案例也向量化存入知识库# 这样AI就能在遇到类似问题时，"回忆"起历史案例的处置方法！⚡ RAG优化技巧（高炉场景专用）
1️⃣ 检索策略优化
# 混合检索：相似度 + 关键词retriever=vector_store.as_retriever(search_type="mmr",# Maximum Marginal Relevancesearch_kwargs={"k":5,"fetch_k":20,# 先取20个候选"lambda_mult":0.5# 多样性系数（0~1）})2️⃣ 文档重排序
fromlangchain.retrieversimportContextualCompressionRetrieverfromlangchain.retrievers.document_compressorsimportLLMChainExtractor# 用LLM对检索结果进行"精炼"——只保留最相关内容compressor=LLMChainExtractor.from_llm(llm)compression_retriever=ContextualCompressionRetriever(base_compressor=compressor,base_retriever=retriever)3️⃣ 针对高炉场景的文档分片策略
# 高炉文档的特殊分片：按"主题"切分，而非简单按字符bf_splitter=RecursiveCharacterTextSplitter(chunk_size=1000,chunk_overlap=200,separators=["\n## ",# 一级标题"\n### ",# 二级标题"\n【",# 高炉规范常用【】标记"\n案例编号：",# 案例库标记"\n\n","\n"," ",""])📊 本期小结
| 知识点 | 一句话总结 |
|---|---|
| RAG是什么 | 检索 + 增强 + 生成 = 带知识库的AI |
| 文档处理 | 分片 → 向量化 → 存储 |
| 检索策略 | 相似度检索 + Top-K |
| 增强Prompt | 把检索结果拼入Prompt |
| 高炉场景价值 | 让AI基于企业内部知识回答问题 |
核心心法：
RAG 是工业 AI 的"基础设施"——没有 RAG 的 AI 是"纸上谈兵"，有 RAG 的 AI 是"实战专家"。在要求高准确率的高炉场景中，RAG 不是可选项，而是必选项！
📌 下期预告
第8期：《Agents智能体：给高炉装上"自主决策大脑"》🤖
Chain 学会了按步骤执行，RAG 学会了查资料——但还不够！
真正的工业场景中，AI 需要自主判断：什么时候该查数据？什么时候该调知识库？什么时候该调用计算工具？甚至——该不该拉响警报？
这就是Agent（智能体）的威力！它不再是"被动回答"，而是"主动思考、自主行动"！
下一期，我们进入整个专栏的高潮部分——打造一个能自主决策、能操作工具、能多步推理的高炉智能体！🚀
🌟16期连载中，精彩内容不要错过！
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容！
