引言：企业AI落地的“最后一公里”

在2024-2026年的AI浪潮中，几乎所有企业都在探索大语言模型（LLM）的应用。然而，当企业试图将AI引入内部业务时，往往会遇到三大痛点：

RAG（Retrieval-Augmented Generation，检索增强生成）

 成为了目前企业AI落地的“黄金架构”。本文将带你从零开始，使用 Python 和 LangChain 框架，手写一个可运行的企业级私有知识库问答系统。

。 当用户提出问题时，系统不会让大模型直接凭记忆回答，而是先去企业的私有数据库（如文档、Wiki、数据库）中

出相关的参考资料，然后将这些资料作为“上下文”喂给大模型，让其

二、 实战演练：构建企业智能HR助手

下面我们将构建一个“企业HR政策问答助手”。为了保证代码

，脚本会自动在本地生成一份模拟的《公司员工手册》文档，并完成从文档切分、向量化存储到问答检索的全流程。

请在你的 Python 环境（建议 Python 3.10+）中安装以下依赖：

pip install langchain langchain-openai langchain-community faiss-cpu python-dotenv


 文件，填入你的大模型 API 配置。 

(注：本代码采用 OpenAI 兼容接口，如果你使用的是国内的 DeepSeek、通义千问、智谱，或本地的 Ollama，只需修改 

# .env 文件示例 (以 OpenAI 为例)
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx
OPENAI_BASE_URL=https://api.openai.com/v1

# 如果使用国内模型(如DeepSeek)，请改为：
# OPENAI_API_KEY=sk-xxxx
# OPENAI_BASE_URL=https://api.deepseek.com/v1


import os
from dotenv import load_dotenv
from langchain_core.documents import Document
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 加载环境变量
load_dotenv()

# ==========================================
# 步骤 1: 准备企业私有数据 (模拟生成文档)
# ==========================================
def create_mock_docs():
    """模拟生成企业内部文档"""
    content = """
    《星云科技公司2026年员工管理手册》
    第三章 休假制度
    1. 年假：入职满1年的员工享有5天年假，满5年享有10天年假。年假需提前3天在OA系统申请。
    2. 病假：员工因病无法上班，需在当天上午10点前通知直属主管，并提供三甲医院病假条。病假期间工资按80%发放。
    3. 婚假：符合法定结婚年龄的员工，凭结婚证可享有10天带薪婚假，需在领证后半年内休完。
    
    第四章 报销制度
    1. 差旅报销：出差住宿标准一线城市上限500元/晚，二线城市400元/晚。超标部分由个人承担。
    2. 团建报销：部门团建人均标准上限为200元/次，每季度限报销一次，需提供正规发票及消费明细。
    
    第五章 IT安全规范
    1. 严禁将公司代码库、客户数据上传至公共AI平台或外部网盘。
    2. 办公电脑必须安装公司指定的“星盾”杀毒软件，并每周进行一次全盘扫描。
    """
    with open("company_policy.txt", "w", encoding="utf-8") as f:
        f.write(content)
    return [Document(page_content=content, metadata={"source": "company_policy.txt"})]

# ==========================================
# 步骤 2: 构建 RAG 核心流程
# ==========================================
def build_rag_chain():
    # 1. 加载文档
    docs = create_mock_docs()
    print("✅ 1. 文档加载完成")

    # 2. 文本切分 (将长文档切分成适合检索的小块)
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=200, 
        chunk_overlap=50,
        separators=["\n\n", "\n", "。", " ", ""]
    )
    splits = text_splitter.split_documents(docs)
    print(f"✅ 2. 文档切分完成，共切分为 {len(splits)} 个文本块")

    # 3. 向量化与存储 (使用 FAISS 构建本地向量库)
    embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
    vectorstore = FAISS.from_documents(documents=splits, embedding=embeddings)
    retriever = vectorstore.as_retriever(search_kwargs={"k": 2}) # 检索最相关的2个片段
    print("✅ 3. FAISS 向量数据库构建完成")

    # 4. 初始化大语言模型
    llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
   otterly.cn

    # 5. 构建企业级 Prompt (限制模型只根据上下文回答，防止幻觉)
    prompt = ChatPromptTemplate.from_template("""
    你是星云科技公司的内部HR与行政智能助手。
    请严格根据以下提供的【公司制度上下文】来回答员工的问题。
    如果上下文中没有相关信息，请直接回答：“抱歉，公司制度手册中未找到相关规定，请联系HR部门。”
    不要编造信息，回答要简明扼要。

    【公司制度上下文】:
    {context}

    【员工问题】:
    {question}
    """)

    # 6. 使用 LCEL (LangChain表达式语言) 组装 RAG 链
    def format_docs(docs):
        return "\n\n".join(doc.page_content for doc in docs)

    rag_chain = (
        {"context": retriever | format_docs, "question": RunnablePassthrough()}
        | prompt
        | llm
        | StrOutputParser()
    )
    print("✅ 4. RAG 问答链构建完成\n" + "="*40)
    
    return rag_chain

# ==========================================
# 步骤 3: 测试问答
# ==========================================
if __name__ == "__main__":
    rag_chain = build_rag_chain()
    
    # 模拟员工提问
    questions = [
        "我下周要去上海出差，住宿标准是多少？",
        "我得了重感冒，病假期间的工资怎么算？",
        "公司允许用办公电脑挖比特币吗？" # 测试防幻觉能力
    ]
    
    for q in questions:
        print(f"👤 员工提问: {q}")
        answer = rag_chain.invoke(q)
        print(f"🤖 AI 助手: {answer}\n" + "-"*40 + "\n")


👤 员工提问: 我下周要去上海出差，住宿标准是多少？
🤖 AI 助手: 上海属于一线城市，出差住宿标准上限为500元/晚。

👤 员工提问: 我得了重感冒，病假期间的工资怎么算？
🤖 AI 助手: 病假期间工资按80%发放。需在当天上午10点前通知直属主管，并提供三甲医院病假条。

👤 员工提问: 公司允许用办公电脑挖比特币吗？
🤖 AI 助手: 抱歉，公司制度手册中未找到相关规定，请联系HR部门。


(注意第三个问题，AI 严格遵守了 Prompt 的约束，没有凭空捏造答案，这就是企业级 RAG 的核心价值。)

三、 企业级落地的 4 个“避坑”建议

上面的代码跑通了 RAG 的最小闭环（MVP），但在真实的企业生产环境中，你还需要考虑以下进阶问题：

1. 数据清洗比模型更重要（Garbage In, Garbage Out）

企业内部的文档往往是“脏乱差”的（如包含大量页眉页脚、乱码的PDF、复杂的Excel表格）。 

：在文本切分前，必须引入数据清洗管道。对于复杂的PDF和表格，建议使用 

 库或专业的文档解析API（如 LlamaParse）进行结构化提取，而不是简单的正则表达式。

2. 引入“混合检索”（Hybrid Search）

单纯的向量检索（语义相似度）在面对

（如产品型号、特定的错误代码 

：企业级向量库（如 Milvus、Elasticsearch）应同时支持

，并通过 RRF（倒数秩融合）算法合并结果，大幅提升召回率。

3. 数据权限隔离（Data Governance）

在真实企业中，普通员工不能通过AI查到高管的薪资数据或机密财务文件。 

：在向量化存储时，必须为每个文档块（Chunk）打上

）。在检索时，根据当前登录用户的角色，动态注入过滤条件（Filter），实现行级/文档级的权限控制。

4. 建立评估体系（RAG Evaluation）

系统上线后，如何知道AI回答得好不好？ 

 等评估框架，从“上下文相关性（Context Relevance）”、“答案忠实度（Faithfulness）”两个维度构建自动化测试集，持续监控模型的表现。

“大模型 + 企业私有数据 + 严谨的业务逻辑”

 才是产生商业价值的公式。RAG 技术为企业提供了一条低成本、高可控的 AI 落地路径。

通过本文的代码，你已经掌握了构建企业知识库的核心骨架。下一步，你可以尝试将 FAISS 替换为支持分布式的 Milvus，接入真实的业务数据库，或者加入多轮对话记忆（Memory），打造一个真正属于你们企业的超级 AI 助手。

企业AI落地实战：用 Python + LangChain 构建私有知识库问答系统（RAG）

人工智能

企业AI落地面临数据隐私、模型幻觉和知识滞后三大痛点，RAG技术通过检索增强生成实现零幻觉、低成本和高安全。本文手把手教你用Python和LangChain构建企业级私有知识库问答系统，包含环境准备、API配置、代码实现及避坑建议，助力企业高效应用AI技术。

向量数据库

数据清洗

数据隐私

数据库

DeepSeek

Python

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

企业AI落地实战：用 Python + LangChain 构建私有知识库问答系统（RAG）

企业AI落地实战：用 Python + LangChain 构建私有知识库问答系统（RAG）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐