用 LangChain 组合 OpenAI 模型构建 RAG 教学笔记本

方案简介

本方案来自开源仓库 towardsai/ragbook-notebooks，它是《Building LLMs for Production》一书的配套笔记本仓库，收集了全书各章节（第 2 章至第 11 章）的 Jupyter Notebook。方案的核心技术组合是 LangChain + OpenAI：以 LangChain 0.0.208 作为 RAG/Agent 应用编排框架，以 OpenAI 0.27.8 SDK 调用大模型能力，配合 python-dotenv 管理密钥配置、ipykernel 运行笔记本。这套组合适合正在学习或构建生产级 LLM 应用（尤其是检索增强生成 RAG 与智能代理）的开发者，可直接克隆仓库逐章运行书中示例，作为可复现的教学与实验参考。

亮点与能力

• 覆盖全书第 2 至第 11 章的完整配套 Notebook
• 基于 LangChain 编排 RAG 与 Agent（代理）流程
• 通过 OpenAI SDK 调用大语言模型
• 使用 python-dotenv 从 .env 文件加载密钥等环境变量
• 依赖经 requirements.txt 锁定版本，保证可复现
• 仓库 Topics 明确覆盖 agent、rag、langchain、llamaindex 等 LLM 生产化主题

组成与分工

• LangChain：RAG/Agent 应用编排框架，串联提示、检索与模型调用，是全书示例的主体框架
• OpenAI：提供大语言模型能力的官方 SDK，供 LangChain 链路调用
• python-dotenv：读取 .env 配置文件，安全管理 API Key 等敏感环境变量
• ipykernel：为 Jupyter Notebook 提供运行内核，使各章节示例可直接交互执行
• Python：整套方案的基础运行环境

前置要求

• Python 环境（仓库 Topics 标注 python）
• 安装依赖（来自 requirements.txt）：

bash
pip install langchain==0.0.208 openai==0.27.8 python-dotenv ipykernel

• 需自备 OpenAI API Key，并通过 python-dotenv 支持的 .env 文件方式配置

实施步骤

1. 克隆仓库

获取 towardsai/ragbook-notebooks，仓库按章节组织：Chapter 2 至 Chapter 11 各有对应 Notebook。

2. 安装依赖

按 requirements.txt 锁定的版本安装：

bash
pip install langchain==0.0.208 openai==0.27.8 python-dotenv ipykernel

3. 配置密钥

参考 python-dotenv 的用法，将 OpenAI API Key 写入 .env 文件供笔记本加载。

4. 运行章节笔记本

启动 Jupyter（内核由 ipykernel 提供），从 Chapter 2 开始按顺序运行各章 Notebook，跟随《Building LLMs for Production》书籍学习 RAG 与 Agent 的构建。

使用与配置要点

• 验证安装成功：在 Notebook 中导入 langchain 与 openai 并能正常调用即视为跑通
• API Key 等敏感信息通过 python-dotenv 从环境变量读取，不要硬编码进笔记本
• 建议按章节顺序（Chapter 2 → Chapter 11）配合书籍内容渐进实验
• 如需复现书中效果，请保持 requirements.txt 中的版本不变

注意事项与常见问题

• 依赖版本较旧（langchain 0.0.208、openai 0.27.8 为 2023 年版本），新版本 API 可能不兼容，建议在独立虚拟环境中安装
• 材料（README）本身较薄，各章节细节需结合笔记本内容与原书阅读
• 运行会产生 OpenAI API 调用费用，请注意成本控制

优缺点

• ✓ 开源可复现的 RAG 教程
• ✓ 依赖清晰易于安装
• ✕ 依赖版本较旧
• ✕ 需自备 OpenAI API Key

出处

本方案挖掘自开源项目 towardsai/ragbook-notebooks，方案内容与实施命令均来自其 README 原文。