【Python代码】RAG技术实战:基于检索增强生成的刑法问答系统实现(附代码)

【01｜技术背景】

检索增强生成（Retrieval-Augmented Generation，RAG）技术通过结合信息检索和生成式AI的优势，有效解决了大语言模型在专业领域知识滞后和幻觉问题。本项目基于RAG技术构建了一个专业的刑法问答机器人，为法律智能问答提供了可复现的技术方案。

【02｜系统架构】

核心两阶段架构：

• • 检索阶段：将用户查询向量化，在知识库中搜索最相关的文档片段
• • 生成阶段：将检索结果作为上下文，指导大语言模型生成专业回答

完整技术流程：

【03｜关键技术实现】

1. 1. 文档处理与向量化

# 配置核心参数PDF_PATH = "data/rag/刑法.pdf"EMBEDDING_MODEL = "qwen3-embedding:latest"# 文档加载与智能切分loader = PDFPlumberLoader(PDF_PATH)raw_documents = loader.load()text_splitter = RecursiveCharacterTextSplitter(    chunk_size=200,    chunk_overlap=50,  # 重叠切分防止信息丢失    separators=["\n\n", "\n", "。", "；", " ", ""])all_splits = text_splitter.split_documents(raw_documents)

1. 2. 向量数据库构建

# 创建向量数据库vectorstore = Chroma.from_documents(    documents=all_splits,     embedding=embeddings,    collection_name="criminal_law_study")# 定义检索器（返回最相关的3条记录）retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

1. 3. 问答生成流程

# 检索相关上下文context_docs = retriever.invoke(query)context_text = "\n\n".join([f"【资料{i+1}】: {d.page_content}"for i, d inenumerate(context_docs)])# 构造专业Promptprompt = f"""你是一个法律助手。请基于以下参考资料回答问题。参考资料：{context_text}用户问题：{query}要求：引用法条原文，逻辑严谨。如果资料中没提到，请直说。回答："""# 生成最终答案response = llm.invoke(prompt)

【04｜运行效果】

文档处理结果：

• • 切分完成：共生成 534个文本片段
• • 示例片段："中华人民共和国刑法（1979年7月1日第五届全国人民代表大会第二次会议通过......"

问答测试示例：

【05｜技术特点】

1.重叠切分策略：采用50字符的重叠窗口，确保关键信息不被切分破坏2.语义向量检索：基于预训练embedding模型，实现深度语义匹配3.上下文增强生成：检索结果作为证据支撑，提高回答准确性和可信度4.模块化设计：各组件独立可配置，便于扩展和优化

【06｜应用价值】

本系统为专业领域的智能问答提供了完整的技术框架，可快速适配到：

• • 法律咨询、医疗诊断等专业问答场景
• • 企业知识库智能客服系统
• • 学术文献检索与摘要生成

技术说明： 本项目基于LangChain框架实现，使用Ollama本地embedding模型，支持快速部署和二次开发。

欢迎评论交流RAG技术实现细节与应用场景！

代码领取

C0003

转发本推文到朋友圈

添加客服

发送代码编号

发送保留2小时并集齐10个点赞的截图

即可免费领取代码