as_retriever()
語法
vector_store.as_retriever(search_kwargs={"k": 要比對的數量})
vector_store.as_retriever(search_kwargs={"k": 2})
prompt 的輸入參數有二個，分別是content, input。
prompt = ChatPromptTemplate.from_messages(
[
("system", "以我提供的參考資料為主，簡短的回答使用者問題。參考資料:{content}"),
("user", "使用者提出問題: {input}")
]
)
下方呼叫chain，是把input_text的字串「如何減肥」，作為prompt 的輸入參數input。
input_text = "如何減肥"
res = chain.invoke(input_text)
RunnablePassthrough()會自動把input_text轉成prompt 的輸入參數input
{"input": RunnablePassthrough(),
"content": retriever | format_func}
retriever的傳回值是list[documents]，因為list 沒有__or__方法，不能加入chain，所以要把list 轉成 string，透過format_func()函式轉成string之後，就可以把retriever的結果作為參數content 傳入 prompt。
1
2
3
4
5
6
7
8
9
def format_func(docs: list[Document]):
if not docs:
return "no docs"
references = "["
for doc in docs:
references += doc.page_content
references += ", "
references += "]"
return references
完整程式碼:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
from langchain_community.document_loaders import CSVLoader
from langchain_core.documents import Document
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_google_genai import GoogleGenerativeAIEmbeddings, ChatGoogleGenerativeAI
embeddings = GoogleGenerativeAIEmbeddings(model="gemini-embedding-2-preview")
vector_store = InMemoryVectorStore(embedding=embeddings)
vector_store.add_texts(
["減肥就是少吃多動", "鬼滅之刃真好看", "跑步是很好的運動", "節制食量，控制飲食", "早睡早起", "炭治郎真帥"])
input_text = "如何減肥"
retriever = vector_store.as_retriever(search_kwargs={"k": 2})
model = ChatGoogleGenerativeAI(model="gemini-3-flash-preview", temperature=0)
prompt = ChatPromptTemplate.from_messages(
[
("system", "以我提供的參考資料為主，簡短的回答使用者問題。參考資料:{content}"),
("user", "使用者提出問題: {input}")
]
)
def print_prompt(prompt):
print(prompt.to_string())
print("*" * 20)
return prompt
def format_func(docs: list[Document]):
if not docs:
return "no docs"
references = "["
for doc in docs:
references += doc.page_content
references += ", "
references += "]"
return references
chain = {"input": RunnablePassthrough(),
"content": retriever | format_func} | prompt | print_prompt | model | StrOutputParser()
res = chain.invoke(input_text)
print(res)
System: 以我提供的參考資料為主，簡短的回答使用者問題。參考資料:[減肥就是少吃多動, 節制食量，控制飲食, ]
Human: 使用者提出問題: 如何減肥
********************
減肥的核心在於「少吃多動」，具體做法包括節制食量並嚴格控制飲食。