网罗开发 （小红书、快手、视频号同名）

  大家好，我是 展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员
👋 大家好，我是展菲！
📱 全网搜索“展菲”，即可纵览我在各大平台的知识足迹。
📣 公众号“Swift社区”，每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。
💬 微信端添加好友“fzhanfei”，与我直接交流，不管是项目瓶颈的求助，还是行业趋势的探讨，随时畅所欲言。
📅 最新动态：2025 年 3 月 17 日
快来加入技术社区，一起挖掘技术的无限潜能，携手迈向数字化新征程！

摘要

公益项目经常面临沟通负担重、响应不及时的问题。本文通过一个可运行的 Demo，手把手教你用 LangChain 和 RAG 架构搭建一个 AI 聊天助手，让它来帮你自动回答常见问题、对接知识库，大幅提升沟通效率。

引言

很多公益组织团队不大，沟通任务却一点都不少。无论是志愿者问活动安排、捐赠人咨询项目细节，还是公众提问相关政策，回答这些问题都很花时间。

如果有个 AI 聊天助手，能随时在线回答 FAQ 或文档里的内容，是不是就能让团队更专注在真正需要人参与的事上？

接下来我们就来聊聊这个 AI Bot 要怎么做，用到哪些技术，落地起来有多快。

整体思路：构建一个能“看懂文档、回答问题”的 AI 助手

为啥要用 LangChain + RAG？

传统 chatbot 如果只是靠关键词匹配，那就太弱了。我们想做的是：

• 它能“读懂”我们的 FAQ 或项目文档

• 用户随便问一句，它能结合语义理解找到文档中合适的回答

• 回答尽量准确、自然，像个熟悉公益项目的“小秘书”

这就需要用到现在很流行的 RAG（Retrieval Augmented Generation）架构，搭配 LangChain 来做流程编排。

项目结构说明

技术选型：

• 模型服务：OpenAI GPT-4 / DeepSeek

• LangChain：流程封装，检索链构建

• 知识源：本地文档 / FAQ 预设

• 向量库：FAISS（快速、轻量）

• UI 展示：Streamlit

可运行 Demo：5 分钟跑起来

我们用一份 FAQ 文档做示例，构建一个能实时问答的助手。

项目结构

公益AI助手/
├── main.py
├── data/
│   └── faq.txt
├── utils/
│   └── embedding.py
├── requirements.txt

main.py 主流程

import streamlit as st
from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from utils.embedding import load_docs, create_vectorstore

st.title("公益问答小助手 🤖")

# 初始化模型和知识库
llm = ChatOpenAI(temperature=0)
vectorstore = create_vectorstore("data/faq.txt")
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())

# 用户输入
question = st.text_input("请输入你的问题：")

if question:
    response = qa_chain.run(question)
    st.markdown(f"**回答：** {response}")

utils/embedding.py 处理文档

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings

def load_docs(filepath):
    loader = TextLoader(filepath)
    return loader.load()

def create_vectorstore(filepath):
    docs = load_docs(filepath)
    splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
    docs_split = splitter.split_documents(docs)
    embeddings = OpenAIEmbeddings()
    return FAISS.from_documents(docs_split, embeddings)

问卷式 FAQ 示例

你可以把下列问题写入 faq.txt 文件中：

Q: 公益活动报名时间是？
A: 每月 10 日开放报名，可通过公众号或官网提交申请。

Q: 如何申请成为志愿者？
A: 提交个人信息表，经审核后可进入志愿者群。

常见问题 QA 环节

Q: 我能接其他模型比如 DeepSeek 吗？

当然可以，只要支持 OpenAI 风格 API 接口，比如 Mistral、DeepSeek、Moonshot 都能轻松替换。

Q: 文档量多怎么办？

可以用 Chunk 机制配合向量库搜索，不会卡顿。

Q: 非技术人员能维护这个助手吗？

是的，文档是文本格式，更新 FAQ 不用改代码，只要重建索引即可。

总结

这个 AI 聊天助手虽然是个“小项目”，但实用性超高。尤其是对于沟通压力大的公益团队，它能高效解答重复问题，让人力资源用在更关键的事上。

通过 LangChain + 向量检索，你可以快速打造一个适配自己组织的 AI 服务助手，而且可拓展性也很强。

未来展望

• 接入语音识别和语音播报，方便电话客服或线下咨询点使用

• 拓展多语种支持，适配国际公益场景

• 打通微信/公众号/小程序渠道，实现一键部署 AI 志愿者助手