用户问题
   │
   ▼
① 检索器 Retriever ──从向量库找出最相关的 3 块──→ [块A, 块B, 块C]
   │
   ▼
② 格式化 ──把块拼成一段"【资料】"文字──→ "[资料1] 年假满一年5天...\n[资料2] ..."
   │
   ▼
③ 提示词模板 ──把资料和问题填进模板──→ SystemMessage(只能根据【资料】回答) \+ HumanMessage(问题)
   │
   ▼
④ 模型生成 ──基于资料回答问题──→ "根据员工手册，年假满一年 5 天……"

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# ① 检索器：把向量库变成"检索器"
retriever = vector_store.as_retriever(search_kwargs={"k": 3})   # 每次取 3 块

# ② 格式化：把检索到的块拼成一段资料文字
def format_docs(docs):
    return "\n\n".join(f"[资料{i\+1}] {d.page_content}" for i, d in enumerate(docs))

# ③ 提示词模板：告诉模型"只能根据资料回答，没有就说不知道"
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是公司手册问答助手。只能根据下面【资料】回答。资料里没有的，明确说'手册里没有相关信息'。\n\n【资料】\n{context}"),
    ("human", "{question}"),
])

# ④ 串成一条链（LCEL）：问题 → 检索\+格式化 → 填模板 → 模型 → 取文本
rag_chain = (
    {"context": retriever | format_docs,   # 左边：检索 \+ 拼资料
     "question": RunnablePassthrough()}    # 右边：原样传问题
    | prompt                               # 填进模板
    | model                                # 模型生成
    | StrOutputParser()                    # 剥出纯文本
)

[0] 年假原则上应在本年度内休完……         ← 相关（但只说"怎么休"，没说"怎么算"）
[1] 第三章 请假制度  年假天数根据工龄计算…  ← 最相关！（年假几天、怎么算，全在这块）
[2] 第四章 薪酬福利  工资于每月十号发放…   ← 不太相关（说的是工资）
[3] 加班需要提前向直属主管申请……          ← 不相关
[4] 员工入职满一年后，可参加公司年度体检…   ← 不相关

粗排（向量检索，快，捞 top-50）
   │
   ▼
重排序（reranker 模型，慢一点但准，把最相关的挑到最前）
   │
   ▼
取精排后的 top-3 → 塞进 prompt

from sentence_transformers import CrossEncoder

# 本地中文重排序模型（和 08 篇的 embedding 同一家：BAAI/bge 系列）
reranker = CrossEncoder(
    r"D:\work-space\pycharm-work\langchain_learn\models\bge-reranker-base",
    max_length=512,
)

# ① 粗排：向量检索捞 top-8
rough = retriever.invoke("年假怎么算？")     # k=8

# ② 精排：问题 \+ 每块资料拼起来逐块打分
pairs = [("年假怎么算？", d.page_content) for d in rough]
scores = reranker.predict(pairs)             # 每块一个分数

# ③ 按分数降序取 top-3
scored = sorted(zip(rough, scores), key=lambda x: -x[1])[:3]

Q: 年假怎么算？
  粗排: [0]年假怎么休  [1]请假制度(年假计算)  [2]工资几号发
  精排: [1]请假制度(年假计算)  0.83   ← 最相关的提到第一！
        [0]年假怎么休       0.75
        [3]加班申请         0.20   ← 不相关的被挤走

chain_before_parser = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model      # 到这里停下：还没剥壳
)
mid = chain_before_parser.invoke("年假是怎么计算的？")
print(mid.content)   # 一个 AIMessage！

retriever.invoke(query: str) -> list[Document]   # 标准入口
retriever.batch(queries) -> list[list[Document]]
# 自定义检索器：继承 BaseRetriever，实现 _get_relevant_documents(query)

# a | b：把 a 的输出接到 b 的输入
retriever | format_docs    # Retriever → Document列表 → 拼接字符串
prompt | model             # 消息列表 → AIMessage
model | StrOutputParser()  # AIMessage → str
# 每个环节都是 Runnable，invoke() 一路传递

RunnablePassthrough()                  # 输入啥输出啥
RunnablePassthrough.assign(**kwargs)   # 输入 \+ 塞新键
# {"context": ..., "question": RunnablePassthrough()}
#  → context 走检索，question 原样传递，两边汇合进模板

rag_chain = (
    {"context": retriever | format_docs,     # dict[str, str]
     "question": RunnablePassthrough()}
    | prompt                                  # ChatPromptTemplate → 消息列表
    | model                                   # BaseChatModel → AIMessage
    | StrOutputParser()                       # → str（最终答案）
)

from sentence_transformers import CrossEncoder

# 本地中文重排序模型（sentence-transformers 家族，与 bge 系列同源）
reranker = CrossEncoder(r"...\models\bge-reranker-base", max_length=512)

# 精排：问题 \+ 每块拼成 pair，逐块打分
pairs = [(query, doc.page_content) for doc in rough_docs]   # rough_docs 来自粗排 top-N
scores = reranker.predict(pairs)                            # list[float]，一一对应
# 按分数降序取精排后的 top-k（分数高 = 对当前问题更相关）

# 生产常用：粗排 k 调大（如 20），精排后再取 top-3 → 塞进 prompt
retriever = vector_store.as_retriever(search_kwargs={"k": 20})   # 粗排多捞
# → 精排 → top_3 → format_docs → prompt