RAG 每日一技（十六）：给你的RAG穿上“外套”——用Gradio光速构建交互式Web应用

前情回顾

经过前面十五天的鏖战，我们已经拥有了一个极其强大的RAG“大脑”。无论是底层原理、高级策略，还是顶级的开发框架（LangChain/LlamaIndex），我们都已了然于胸。我们的RAG引擎现在正在我们的电脑里，通过命令行或代码编辑器，静静地展示着它的智慧。

但一个问题随之而来：我们如何向不懂代码的同事、老板或客户展示我们的成果？ 总不能让他们也去运行Python脚本吧？

一个强大的“大脑”，也需要一个友好的“面孔”。今天，我们就来学习如何用一个极其简单的工具，在几分钟内为我们的RAG系统构建一个漂亮、可交互的Web界面。这个工具，就是Gradio。

Gradio是什么？

Gradio是一个开源的Python库，它可以让你为你的机器学习模型或任意的Python函数，快速创建简单、美观、可定制的Web用户界面（UI）。

在AI/ML社区，Gradio已经成为了快速创建和分享模型Demo的首选工具，原因无他，就是简单！你不需要懂任何前端知识（HTML/CSS/JavaScript），只需写几行Python代码，就能拥有一个功能齐全的Web应用。

上手实战：“Chat with Your Doc” Web App

我们的目标是：将之前用LlamaIndex构建的“文档问答”RAG引擎，包装成一个聊天机器人界面。

首先，确保你安装了必要的库：

pip install gradio llama-index llama-index-llms-openai

1. 准备一个可复现的RAG后端

为了让本篇文章的代码完全独立可运行，我们将再次使用LlamaIndex快速构建一个RAG查询引擎。

import os
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
import gradio as gr

# — Step 1: 准备RAG后端 —

# 设置你的OpenAI API Key
# os.environ["OPENAI_API_KEY"] = "sk-…"

# 在项目目录下创建一个名为 "data" 的文件夹
# 并放入一个名为 "my_story.txt" 的文本文件
# 为了方便演示，我们用代码来创建它
os.makedirs("data", exist_ok=True)
with open("data/my_story.txt", "w", encoding="utf-8") as f:
f.write("从前有座山，山里有座庙，庙里有个老和尚在给小和尚讲故事。\\n")
f.write("这个故事是关于一个名为RAG的英雄，他能够阅读无数书籍，并回答所有问题。\\n")
f.write("RAG的核心武器是检索和生成，这让他变得无比强大。")

# 加载数据并构建索引和查询引擎
try:
documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
print("RAG后端准备就绪！")
except Exception as e:
print(f"后端准备失败，请检查API Key或文件路径: {e}")
# 如果后端失败，创建一个虚拟引擎以保证UI能运行
class DummyQueryEngine:
def query(self, _):
return "后端初始化失败，请检查后台日志。"
query_engine = DummyQueryEngine()

请务必确保你的API Key已正确设置，否则后端会初始化失败。

2. 定义Gradio要调用的函数

Gradio的核心是将一个函数映射到一个UI界面。我们需要创建一个函数，它接收用户的输入，然后调用我们的RAG引擎返回答案。对于聊天界面，这个函数通常接收 message 和 chat_history 两个参数。

# — Step 2: 定义聊天函数 —

def respond(message, chat_history):
"""
这个函数会被Gradio的ChatInterface调用。
:param message: 用户在聊天框中输入的内容。
:param chat_history: 一个列表，包含了之前的对话历史。
"""
# 调用我们之前创建的RAG查询引擎
response = query_engine.query(message)

# Gradio的ChatInterface期望函数返回一个字符串
return str(response)

3. 创建并启动Gradio聊天界面

这是最简单，也是最激动人心的一步。我们只需要一行代码，就能创建并启动我们的Web应用。

# — Step 3: 创建并启动Gradio界面 —

# 使用gr.ChatInterface，它是一个为聊天机器人优化的现成组件
# 它会自动处理输入框、输出框、对话历史等所有事情
gr.ChatInterface(
fn=respond, # 将我们的聊天函数传给它
title="RAG 每日一技：文档问答机器人",
chatbot=gr.Chatbot(height=500),
textbox=gr.Textbox(placeholder="请输入你关于文档的问题…", container=False, scale=7),
theme="soft",
examples=["RAG是什么？", "RAG的核心武器是什么？", "老和尚在干什么？"],
cache_examples=False,
retry_btn=None,
undo_btn=None,
clear_btn="清空对话",
).launch(share=True) # launch()会启动一个本地Web服务器

代码解读：

• gr.ChatInterface(fn=respond, …)：我们创建了一个聊天界面实例，并将我们的核心逻辑函数 respond 绑定给了它。
• title, theme, examples 等都是用于美化和增强用户体验的参数。
• .launch(share=True)：启动应用！Gradio会在你的本地启动一个Web服务（通常是 http://127.0.0.1:7860），并生成一个可分享的公网链接（有效期72小时），让你的朋友也能远程访问你的应用！

运行这段完整的Python脚本，然后打开浏览器访问它给出的链接，你将看到一个漂亮的聊天机器人界面！

总结与预告

今日小结：

• RAG系统需要一个用户界面才能方便地进行演示和交互。
• Gradio 是一个极其简单的Python库，能让你用几行代码就为AI应用构建出漂亮的Web UI。
• gr.ChatInterface 是Gradio中专门用于构建聊天机器人的高级组件，能自动处理对话历史等细节。

我们的系列学习之旅，原计划在这里画上一个句号。但看到大家如此高涨的热情和持续的关注，我们决定：探索永不停止，学习继续深入！

我们已经完全掌握了如何与非结构化的文本进行对话。但现实世界中，还有大量的信息存储在结构化的数据中，比如数据库表格、Excel、CSV文件。

如果你的老板给你一份销售报表，然后问你：“上个季度哪个产品的销售额最高？” 我们现在的RAG系统能回答吗？显然不能。

明天预告：RAG 每日一技（十七）：不止聊文本，如何让RAG“看懂”表格数据？

明天，我们将挑战一个全新的、极具商业价值的领域：结构化数据问答。我们将探索如何让RAG系统理解表格数据，并将用户的自然语言问题，智能地转换成可以执行的查询代码（如SQL），最终从表格中找到精确答案！这会是一个激动人心的新起点！