LangChain 入门学习第十篇-封装一个本地知识库问答 CLI
内容提要
本文介绍LangChain学习第十篇，将本地博客问答封装为CLI工具。通过argparse实现search和ask两个子命令：search仅检索文章，ask检索后调用模型回答。CLI便于调试，验证RAG、Agent等核心链路。第一阶段已完成LLM调用、PromptTemplate、工具调用、RAG、记忆等基础实践，后续可扩展向量数据库、Web服务等。
延伸解读
CLI 优先的开发策略
文章建议在学习阶段先做 CLI 而非 Web 页面，理由是 CLI 更易调试、无需处理前端状态、输入输出清晰，适合验证 RAG、Agent、Memory 等核心链路。这种策略有助于在复杂化之前确保基础功能正确，为后续封装成 Web API 或页面打下更稳定的基础。
search 与 ask 分离的调试价值
CLI 提供 search 和 ask 两个子命令，分别用于仅检索和检索后问答。这种设计便于调试：先通过 search 检查检索结果是否相关，若不相关则调整检索参数，再运行 ask 查看最终回答。这种分离有助于定位问题出在检索还是生成环节，提高调试效率。
第一阶段能力清单与扩展方向
文章总结了第一阶段已实践的能力，包括 LLM 调用、PromptTemplate、结构化输出、工具调用、Agent、RAG、记忆等。后续扩展方向包括接入真实 embedding 模型、使用向量数据库（如 Chroma、FAISS、PGVector）、增量索引、Web API、评测集和自动化评估，以及接入 LangSmith 等追踪工具。
Q&A
LangChain 入门学习第十篇主要介绍了什么内容？
本篇是LangChain入门学习的第十篇，主要将前面九篇学到的能力（如LLM调用、PromptTemplate、工具调用、RAG、记忆等）封装成一个本地知识库问答CLI工具，通过argparse实现search和ask两个子命令，便于调试和验证核心链路。
如何使用这个CLI工具进行搜索和问答？
使用`uv run python -m chapter10.app search "问题" --category 分类`进行搜索，只返回检索结果；使用`uv run python -m chapter10.app ask "问题" --category 分类`进行问答，先检索再调用模型回答。两个命令都支持--top-k参数控制返回结果数量。
search和ask命令有什么区别？
search命令只检索文章，不调用模型，适合调试检索效果；ask命令先检索文章，再调用模型生成回答，适合查看最终答案。
为什么在学习阶段建议先做CLI而不是Web页面？
因为CLI更容易调试，不需要处理前端状态，输入输出清晰，适合验证RAG、Agent、Memory等核心链路。等CLI跑顺了再封装成Web API或页面会更稳定。
这个CLI工具支持哪些参数？
支持question（问题，可选）、--top-k（返回结果数量，默认4）、--category（限定博客分类）。如果不传子命令，默认执行ask。
第一阶段的学习目标是什么？
第一阶段的目标不是做大而全的应用，而是把LangChain常用的基础能力都实践一遍，包括LLM调用、PromptTemplate、结构化输出、Tool Calling、Agent、Document Text Splitter、Retriever、RAG、Memory和CLI封装。
后续可以如何扩展这个CLI工具？
后续可以接入真正的embedding模型，使用Chroma、FAISS或PGVector向量数据库，做增量索引，提供Web API，加入评测集和自动化评估，以及接入LangSmith等tracing工具。
