RAG基于用户问题的内容，对其进行分类和路由，然后选择适当的处理方式（2）

示例代码：

import datetime from typing import Literal, Optional, Tuple from pydantic import BaseModel, Field class TutorialSearch(BaseModel): """在关于某个软件库的教程视频数据库中进行搜索。""" content_search: str = Field( ..., description="应用于视频字幕的相似性搜索查询。", ) title_search: str = Field( ..., description=( "内容搜索查询的另一种版本，应用于视频标题。" "应简洁明了，仅包含可能出现在视频标题中的关键字。" ), ) min_view_count: Optional[int] = Field( None, description="最小观看次数过滤器（包含该值）。仅在明确指定时使用。", ) max_view_count: Optional[int] = Field( None, description="最大观看次数过滤器（不包含该值）。仅在明确指定时使用。", ) earliest_publish_date: Optional[datetime.date] = Field( None, description="最早发布时间过滤器（包含该值）。仅在明确指定时使用。", ) latest_publish_date: Optional[datetime.date] = Field( None, description="最晚发布时间过滤器（不包含该值）。仅在明确指定时使用。", ) min_length_sec: Optional[int] = Field( None, description="最小视频时长（秒），包含该值。仅在明确指定时使用。", ) max_length_sec: Optional[int] = Field( None, description="最大视频时长（秒），不包含该值。仅在明确指定时使用。", ) def pretty_print(self) -> None: for field in self.__fields__: if getattr(self, field) is not None and getattr(self, field) != getattr( self.__fields__[field], "default", None ): print(f"{field}: {getattr(self, field)}") from langchain_groq import ChatGroq from langchain_core.prompts import ChatPromptTemplate system = """你是一名擅长将用户问题转换为结构化数据库查询的专家。 你的任务是根据用户输入生成结构化的搜索查询。 始终返回一个包含以下键的 JSON 对象： - **content_search**：从查询中提取与内容相关的关键字，**不能为空**，即使用户输入过于宽泛，也要尽量提取最有用的关键词。 - **title_search**：content_search 的简化版本，优化用于匹配标题，**不能为空**，应当为简短但精准的关键词。 - **min_view_count、max_view_count、earliest_publish_date、latest_publish_date、min_length_sec、max_length_sec**：如果用户未明确提供，则使用 `None`。 如果无法确定 `content_search` 和 `title_search`，请合理推测关键词，而不是返回 `null`。 """ prompt = ChatPromptTemplate.from_messages( [ ("system", system), ("human", "{question}"), ] ) llm = ChatGroq() structured_llm = llm.with_structured_output(TutorialSearch) query_analyzer = prompt | structured_llm query_analyzer.invoke({"question": "从零开始实现购物网站的建设"}).pretty_print()

这段代码的主要作用是让 LLM（大语言模型）自动把用户的搜索问题转换为结构化的查询条件，从而方便在数据库或向量检索系统中使用。

比如，用户可能随口问：

“后端数据库最新教程”

我们希望 LLM 能自动转换成可用于数据库查询的结构化数据，比如：

{ "content_search": "最新数据库教程", "title_search": "新数据库", "earliest_publish_date": null, "latest_publish_date": null, "min_view_count": null, "max_view_count": null, "min_length_sec": null, "max_length_sec": null }

这样，后续代码就可以用这个结构化数据去筛选视频，比如：

内容搜索（content_search）：在视频字幕里查找「最新数据库教程」标题搜索（title_search）：查找标题中包含「新数据库」的内容发布时间（earliest_publish_date 和 latest_publish_date）：如果用户要求最近的教程，可以加上时间筛选观看次数过滤（min_view_count 和 max_view_count）：可以筛选出最热门的教程时长过滤（min_length_sec 和 max_length_sec）：可以选择短视频还是完整课程

---

代码作用拆解 第一步：定义结构化搜索格式 from typing import Optional from pydantic import BaseModel, Field import datetime class TutorialSearch(BaseModel): """在教程数据库中搜索相关视频""" content_search: str = Field(..., description="应用于视频字幕的相似性搜索查询。") title_search: str = Field(..., description="内容搜索查询的简化版本，适用于视频标题。") min_view_count: Optional[int] = Field(None, description="最小观看次数过滤器") max_view_count: Optional[int] = Field(None, description="最大观看次数过滤器") earliest_publish_date: Optional[datetime.date] = Field(None, description="最早发布时间") latest_publish_date: Optional[datetime.date] = Field(None, description="最晚发布时间") min_length_sec: Optional[int] = Field(None, description="最短视频时长（秒）") max_length_sec: Optional[int] = Field(None, description="最长视频时长（秒）") 这部分的作用 这里用了 Pydantic 的 BaseModel，它是 Python 里专门用于定义结构化数据格式的工具。content_search 和 title_search 是必填字段（... 表示不能是 None）。其他字段都是可选的，比如 min_view_count 之类，默认是 None，只有用户提供了相关信息时才会启用。作用：确保 LLM 生成的搜索查询是标准化的，而不是乱七八糟的字符串。

---

第二步：让 LLM 自动转换搜索条件 from langchain_core.prompts import ChatPromptTemplate system = """你是一名擅长将用户问题转换为结构化数据库查询的专家。 你的任务是根据用户输入生成结构化的搜索查询。 始终返回一个包含以下键的 JSON 对象： - **content_search**：从查询中提取与内容相关的关键字，**不能为空**，即使用户输入过于宽泛，也要尽量提取最有用的关键词。 - **title_search**：content_search 的简化版本，优化用于匹配标题，**不能为空**，应当为简短但精准的关键词。 - **min_view_count、max_view_count、earliest_publish_date、latest_publish_date、min_length_sec、max_length_sec**：如果用户未明确提供，则使用 `None`。 如果无法确定 `content_search` 和 `title_search`，请合理推测关键词，而不是返回 `null`。 """ prompt = ChatPromptTemplate.from_messages( [ ("system", system), # 设定 LLM 的角色和任务 ("human", "{question}"), # 让 LLM 处理用户输入 ] ) 这部分的作用 system 变量定义了LLM 的角色，告诉它：“你是一名数据库搜索优化专家。”规定 LLM 必须返回 结构化的 JSON 对象，这样可以确保数据格式统一。让 LLM 提取最重要的关键词，而不是简单重复用户的输入。

---

第三步：调用 LLM 进行函数调用 llm = ChatGroq() structured_llm = llm.with_structured_output(TutorialSearch) query_analyzer = prompt | structured_llm 这部分的作用

ChatGroq()

这里用的是 ChatGroq()，Groq 是一个运行 LLM（比如 GPT-4）的 API。它就像 OpenAI.ChatCompletion.create()，但速度更快，适合 RAG（检索增强生成）。

llm.with_structured_output(TutorialSearch)

这一步的作用是：让 LLM 输出的内容严格符合 TutorialSearch 这个结构。LLM 不会随便输出自由文本，而是必须返回 JSON 形式的结构化数据。

query_analyzer = prompt | structured_llm

这个 | 符号表示管道（Pipeline），相当于：def query_analyzer(question): prompt_text = generate_prompt(question) response = llm.call(prompt_text) return parse_response_to_TutorialSearch(response) 也就是说，把用户输入的 question 传给 prompt，然后让 LLM 生成结构化数据。

---

第四步：执行搜索 query_analyzer.invoke({"question": "后端数据库最新教程"}).pretty_print()

假设 LLM 处理完后返回：

{ "content_search": "最新数据库教程", "title_search": "新数据库", "earliest_publish_date": null, "latest_publish_date": null, "min_view_count": null, "max_view_count": null, "min_length_sec": null, "max_length_sec": null }

这时候 pretty_print() 的作用是打印：

content_search: 最新数据库教程 title_search: 新数据库

这样，我们的后端就可以拿 content_search 和 title_search 去检索匹配的视频，并根据其他过滤条件（比如发布时间、观看次数）进一步筛选。

---

示例 1：用户查询 “Python 高级教程，最好是 2023 年之后的”

LLM 可能返回：

{ "content_search": "Python 高级教程", "title_search": "Python 进阶", "earliest_publish_date": "2023-01-01", "latest_publish_date": null, "min_view_count": null, "max_view_count": null, "min_length_sec": null, "max_length_sec": null }

这表示：

只搜索 Python 相关的高级教程发布时间必须是 2023 年及之后不限制观看次数和时长

---

示例 2：用户查询 “Vue.js 快速入门（不要太长）”

LLM 可能返回：

{ "content_search": "Vue.js 快速入门", "title_search": "Vue.js 教程", "earliest_publish_date": null, "latest_publish_date": null, "min_view_count": null, "max_view_count": null, "min_length_sec": null, "max_length_sec": 600 }

这里 max_length_sec: 600 表示只要 10 分钟以内的短视频。

---

总结

这段代码的作用是： ✅ 智能分析用户输入，生成结构化查询 ✅ 确保数据格式统一，方便后续检索 ✅ 结合 LLM 的理解能力，优化查询关键词

这样，我们的后端可以直接用 content_search 和 title_search 进行向量数据库检索，再用其他字段做过滤查询，最终返回最相关的视频！ 🚀