增加 chapter08 rag

.gitignore

@@ -1,3 +1,4 @@
 oryx-build-commands.txt
 
 .DS_Store
+chroma_db

.python-version

@@ -0,0 +1 @@
+3.12

chapter08/native-rag/knowledge_base.txt

@@ -0,0 +1 @@
+RAG 的的本质是：增强 System Prompt 的上下文，从而生成更符合实际要求的回复。

chapter08/native-rag/step1-offline-process.py

@@ -0,0 +1,28 @@
+from langchain_community.document_loaders import TextLoader
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+from langchain_openai import OpenAIEmbeddings
+from langchain_chroma import Chroma
+
+# 1. 加载文档
+loader = TextLoader("knowledge_base.txt")
+documents = loader.load()
+
+# 2. 文本切分
+text_splitter = RecursiveCharacterTextSplitter(
+    chunk_size=500,  # 每个文本块的大小
+    chunk_overlap=50,  # 文本块之间的重叠部分
+)
+splits = text_splitter.split_documents(documents)
+
+# 3. 向量化并存储
+embeddings = OpenAIEmbeddings(
+    base_url="https://api.siliconflow.cn/v1",
+    model="Qwen/Qwen3-Embedding-0.6B",
+)
+vectorstore = Chroma.from_documents(
+    documents=splits,
+    embedding=embeddings,
+    persist_directory="./chroma_db",  # 持久化存储路径
+)
+
+print(f"成功将 {len(splits)} 个文本块存入向量数据库")

chapter08/native-rag/step2-online-rag.py

@@ -0,0 +1,55 @@
+from langchain.embeddings import OpenAIEmbeddings
+from langchain.vectorstores import Chroma
+from langchain_openai import ChatOpenAI
+from langchain.prompts import PromptTemplate
+
+# 1. 加载已有的向量数据库
+embeddings = OpenAIEmbeddings(
+    base_url="https://api.siliconflow.cn/v1",
+    model="Qwen/Qwen3-Embedding-0.6B",
+)
+vectorstore = Chroma(persist_directory="./chroma_db", embedding_function=embeddings)
+
+# 2. 用户提问
+query = "什么是RAG？"
+
+# 3. 检索相关文档（返回最相关的 3 个）
+docs = vectorstore.similarity_search(query, k=3)
+
+# 4. 将检索到的文档内容拼接成上下文
+context = "\n\n".join([doc.page_content for doc in docs])
+
+# 5. 构建 Prompt 模板
+prompt_template = """
+你是一个专业的问答助手。请根据以下参考文档回答用户的问题。
+如果参考文档中没有相关信息，请诚实地说不知道，不要编造答案。
+
+参考文档：
+{context}
+
+用户问题：{question}
+
+回答：
+"""
+
+prompt = PromptTemplate(
+    template=prompt_template,
+    input_variables=["context", "question"],
+)
+
+# 6. 创建 LLM 并生成回答
+llm = ChatOpenAI(
+    model="THUDM/glm-4-9b-chat",
+    temperature=0,
+    max_retries=3,
+    base_url="https://api.siliconflow.cn/v1",
+)
+final_prompt = prompt.format(context=context, question=query)
+
+print(f"最终的 Prompt 内容：{final_prompt}")
+response = llm.predict(final_prompt)
+
+# 7. 输出结果
+print(f"问题: {query}")
+print(f"回答: {response}")
+print(f"\n参考文档数量: {len(docs)}")

pyproject.toml

@@ -0,0 +1,33 @@
+[project]
+name = "hands-on-large-language-models-cn"
+version = "0.1.0"
+description = "Add your description here"
+readme = "README.md"
+requires-python = ">=3.12"
+dependencies = [
+    "langchain>=0.3.27",
+    "langchain-chroma>=0.2.6",
+    "langchain-community>=0.3.30",
+    "langchain-deepseek>=0.1.4",
+    "langchain-openai>=0.3.34",
+    "langgraph>=0.6.8",
+]
+[tool.ruff]
+# 将行长限制设置为 88 个字符
+line-length = 88
+# 允许 Ruff 修复所有可修复的违规行为
+fixable = ["ALL"]
+
+[tool.ruff.lint]
+# 选择要启用的规则集。 "E" 和 "F" 分别是 pycodestyle 和 Pyflakes 的规则。
+select = ["E4", "E7", "E9", "F"]
+
+[tool.ruff.format]
+# 使用双引号
+quote-style = "double"
+# 使用空格进行缩进
+indent-style = "space"
+# 不跳过神奇的尾随逗号
+skip-magic-trailing-comma = false
+# 自动检测行尾
+line-ending = "auto"