药品 RAG 项目今日重点问题总结（Markdown 版）

适用场景：LangChain 新版 + Chroma 向量库 + 通义千问 ChatTongyi，聚焦今日核心报错及解决方案，适配项目实际代码。

一、核心报错：400 InvalidParameter（input.texts should be array）

1. 报错原因

通义千问（ChatTongyi）新版 API 强制要求输入为 消息数组格式（如 \[\{\&\#34;role\&\#34;: \&\#34;system\&\#34;, \&\#34;content\&\#34;: \&\#34;\.\.\.\&\#34;\}, \{\&\#34;role\&\#34;: \&\#34;user\&\#34;, \&\#34;content\&\#34;: \&\#34;\.\.\.\&\#34;\}\]），不接受纯字符串输入。

2. 关联错误及解决方案

错误1：提示词模板格式错误（用 from_template 生成纯字符串）

错误写法：

prompt = ChatPromptTemplate.from_template("""
你是专业的药品AI助手，请只根据资料回答，不能编造。没有答案就说无法回答。
资料：{context}
问题：{question}
""")

正确写法（用 from_messages 生成数组）：

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业的药品AI助手，请只根据资料回答，不能编造。没有答案就说无法回答。"),
    ("user", "资料：{context}\n问题：{question}")
])

错误2：format_docs 函数无 return 或变量覆盖

错误写法1（无 return）：

def format_docs(docs:list):
    doc=''
    for doc in docs:
        doc +=doc.page_content + '\n'
# 无 return，默认返回 None，传给模型报错

错误写法2（变量覆盖）：

def format_docs(docs:list):
    doc=''
    for doc in docs:  # 变量 doc 被 Document 对象覆盖
        doc +=doc.page_content + '\n'
    return doc  # 最终返回 Document 对象，非字符串

正确写法：

def format_docs(docs: list):
    doc_string = ""  # 独立变量，避免覆盖
    for d in docs:
        doc_string += d.page_content + "\n"
    return doc_string  # 必须返回字符串

错误3：LCEL 链 invoke 调用格式错误

错误写法（多一层字典包装）：

answer = self.rag_chain.invoke({"question": question})

正确写法（直接传入问题字符串）：

answer = self.rag_chain.invoke(question)

原因：链结构中已用 RunnablePassthrough\(\) 自动接收问题字符串，无需额外包装。

二、ChatTongyi 模型参数问题

1. 报错/警告原因

新版 ChatTongyi 不再支持直接传入 temperature 参数，需将生成参数放入 model\_kwargs 字典。

2. 正确写法

self.llm = ChatTongyi(
    model_name=self.llm_model,
    dashscope_api_key=self.api_key,
    model_kwargs={'temperature': self.temperature}  # 生成参数放此处
)

3. temperature 参数作用（重点）

• 取值范围：0~1

• 温度越低（0.1~0.2）：回答越严谨、固定，不编造信息，适配医药 RAG 场景

• 温度越高（趋近1）：回答越灵活、随机，易编造信息，不适合医药场景

三、LangChain 新版废弃方法/包路径

1. 旧版 chains 废弃（RetrievalQA）

旧版错误写法：

from langchain.chains import RetrievalQA  # 已废弃，黑盒式，不支持自定义

新版正确写法（LCEL 链式写法）：

self.rag_chain = (
    {
        "context": self.retriever | format_docs,  # 检索器+文档格式化
        "question": RunnablePassthrough()          # 接收用户问题
    }
    | prompt  # 提示词模板
    | self.llm  # 大模型
    | StrOutputParser()  # 输出解析为字符串
)

2. Chroma 向量库旧方法废弃（persist()）

旧版错误写法：

vector_store.add_documents(documents)
vector_store.persist()  # 手动持久化，新版已废弃

新版正确写法：

vector_store.add_documents(documents)  # 自动持久化，无需手动调用 persist()

3. 文本分割器包路径变更

旧版错误写法：

from langchain.text_splitter import RecursiveCharacterTextSplitter  # 找不到模块

新版正确写法：

from langchain_text_splitters import RecursiveCharacterTextSplitter

需安装依赖：pip install langchain\-text\-splitters

四、Retriever 检索器核心理解（易混淆点）

1. 代码及关键结论

self.retriever = self.vector_store.vector_store.as_retriever(
    search_kwargs={'k': self.k}
)

• 核心结论：as\_retriever\(\) 返回的是 BaseRetriever 子类实例（检索工具），不是直接返回文档列表。

• 作用：预绑定向量库、搜索参数（k值），LCEL 链会自动将用户问题传入检索器，无需手动传参。

• 正确使用：需搭配 format\_docs 函数，将检索到的 Document 列表转为字符串（如 self\.retriever \| format\_docs）。

五、文档切割策略（多格式混合场景）

你的切割逻辑完全合理，必须保留：

• 结构化文档（药品 JSON，含 通用名称:、品牌名称:）→ 不切割（避免破坏药品信息完整性）

• 非结构化文档（PDF/TXT/DOCX）→ 用 RecursiveCharacterTextSplitter 切割（解决长文本检索精度问题）

六、今日核心总结

1. 400 报错是今日核心，本质是「通义 API 输入格式要求数组」，需解决提示词模板、format_docs、invoke 调用3个问题。

2. 新版 LangChain 核心是 LCEL 链式写法，替代旧版 RetrievalQA，更透明、可自定义。

3. 医药 RAG 关键：temperature 设 0.1~0.2、不编造信息、结构化药品不切割。

4. 所有废弃方法/参数，均需按新版规范调整（如 model_kwargs、from_messages、自动持久化）。