登录注册

当前位置：首页 > 文章列表 > 文章 > python教程 > LangChainRAGRetrievalQA调用错误解决方法

LangChainRAGRetrievalQA调用错误解决方法

2025-12-16 15:39:36 0浏览 收藏

大家好，我们又见面了啊~本文《LangChain RAG中RetrievalQA调用错误解决方法》的内容中将会涉及到等等。如果你正在学习文章相关知识，欢迎关注我，以后会给大家带来更多文章相关文章，希望我们能一起进步！下面就开始本文的正式内容~

解决LangChain RAG应用中RetrievalQA链的调用错误

本文旨在解决LangChain中构建RAG（检索增强生成）应用时，`RetrievalQA`链因不当调用方式引发的`TypeError: unhashable type: 'list'`错误。我们将详细解析错误原因，并提供使用`.invoke()`方法正确调用`RetrievalQA`链的解决方案，同时探讨LangChain Runnable接口的其他调用方式和相关最佳实践。

在构建基于大型语言模型（LLM）的检索增强生成（RAG）应用时，LangChain的RetrievalQA链是一个核心组件，它能够将文档检索与LLM的问答能力结合起来。然而，开发者在使用过程中可能会遇到TypeError: unhashable type: 'list'这样的错误，尤其是在尝试以传统函数调用的方式执行链时。本教程将深入分析这一问题，并提供一套专业的解决方案和最佳实践。

问题描述与错误分析

当尝试以如下方式调用一个已创建的RetrievalQA链时，可能会遇到TypeError: unhashable type: 'list'错误：

question = "Is probability a class topic?"
result = qa_chain({"query": question}) # 这一行会抛出错误
print(result["result"])

伴随的错误堆栈通常会指向LangChain内部的调用逻辑，最终显示TypeError: unhashable type: 'list'。这表明链的输入处理机制与预期的调用方式不符。

完整代码示例（导致错误）：

from langchain.document_loaders import CSVLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline
from langchain import HuggingFacePipeline
from langchain.prompts import PromptTemplate
from langchain.chains import RetrievalQA

# 文件路径和模型路径需要替换为实际路径
file = '<>'
modelPath = "/all-MiniLM-L6-v2"
flan_t5_model_path = "<>/flan-t5-large"

# 1. 加载文档
loader = CSVLoader(file_path=file, encoding='utf8')
documents = loader.load()

# 2. 分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
docs = text_splitter.split_documents(documents)

# 3. 初始化嵌入模型
model_kwargs = {'device':'cpu'}
encode_kwargs = {'normalize_embeddings':False}
embeddings = HuggingFaceEmbeddings(
  model_name = modelPath,
  model_kwargs = model_kwargs,
  encode_kwargs=encode_kwargs
)

# 4. 构建向量存储
db = FAISS.from_documents(docs, embeddings)

# 5. 初始化LLM
tokenizer = AutoTokenizer.from_pretrained(flan_t5_model_path)
model = AutoModelForSeq2SeqLM.from_pretrained(flan_t5_model_path)
pipe = pipeline("text2text-generation", model=model, tokenizer=tokenizer)
llm = HuggingFacePipeline(
    pipeline = pipe,
    model_kwargs={"temperature": 0, "max_length": 512},
)

# 6. 定义Prompt Template
template = """Use the following pieces of context to answer the question at the end. If you don't know the answer, just say that you don't know, don't try to make up an answer. Keep the answer as concise as possible. 
{context}
Question: {question}
Helpful Answer:"""
QA_CHAIN_PROMPT = PromptTemplate.from_template(template)

# 7. 创建RetrievalQA链
qa_chain = RetrievalQA.from_chain_type(   
  llm=llm,
  verbose=True,
  chain_type="stuff",   
  retriever=db.as_retriever(),   
  chain_type_kwargs={"prompt": QA_CHAIN_PROMPT} 
) 

# 8. 尝试调用链 (此处发生错误)
question = "Is probability a class topic?"
result = qa_chain({"query": question }) # ERROR: TypeError: unhashable type: 'list'
print(result["result"])

错误原因：

这个错误通常发生在LangChain的版本迭代过程中，尤其是在引入LangChain Expression Language (LCEL) 和 Runnable 接口之后。旧版本的LangChain链可能允许直接像函数一样调用（即 chain(...)），但在新版本中，为了提供更统一、更灵活的接口，所有的“可运行”组件（Runnables）都推荐使用特定的方法进行调用，例如 .invoke()、.stream() 或 .batch()。

RetrievalQA链是一个Runnable实例，它不再直接支持通过 __call__ 方法以字典作为参数进行直接调用。尝试这样做会导致内部数据结构处理上的类型不匹配，从而引发TypeError。

解决方案：使用.invoke()方法

解决此问题的核心是使用LangChain Runnable接口提供的标准调用方法，特别是.invoke()。

正确调用RetrievalQA链的方法：

question = "Is probability a class topic?"
result = qa_chain.invoke({"query": question}) # 使用 .invoke() 方法
print(result["result"])

通过将 qa_chain({"query": question}) 修改为 qa_chain.invoke({"query": question})，即可正确执行链并获取结果。RetrievalQA链的输出是一个字典，其中包含最终的答案，通常通过 result["result"] 访问。

修正后的完整代码示例：

from langchain.document_loaders import CSVLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline
from langchain import HuggingFacePipeline
from langchain.prompts import PromptTemplate
from langchain.chains import RetrievalQA

# 文件路径和模型路径需要替换为实际路径
file = '<>'
modelPath = "/all-MiniLM-L6-v2"
flan_t5_model_path = "<>/flan-t5-large"

# 1. 加载文档
loader = CSVLoader(file_path=file, encoding='utf8')
documents = loader.load()

# 2. 分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
docs = text_splitter.split_documents(documents)

# 3. 初始化嵌入模型
model_kwargs = {'device':'cpu'}
encode_kwargs = {'normalize_embeddings':False}
embeddings = HuggingFaceEmbeddings(
  model_name = modelPath,
  model_kwargs = model_kwargs,
  encode_kwargs=encode_kwargs
)

# 4. 构建向量存储
db = FAISS.from_documents(docs, embeddings)

# 5. 初始化LLM
tokenizer = AutoTokenizer.from_pretrained(flan_t5_model_path)
model = AutoModelForSeq2SeqLM.from_pretrained(flan_t5_model_path)
pipe = pipeline("text2text-generation", model=model, tokenizer=tokenizer)
llm = HuggingFacePipeline(
    pipeline = pipe,
    model_kwargs={"temperature": 0, "max_length": 512},
)

# 6. 定义Prompt Template
template = """Use the following pieces of context to answer the question at the end. If you don't know the answer, just say that you don't know, don't try to make up an answer. Keep the answer as concise as possible. 
{context}
Question: {question}
Helpful Answer:"""
QA_CHAIN_PROMPT = PromptTemplate.from_template(template)

# 7. 创建RetrievalQA链
qa_chain = RetrievalQA.from_chain_type(   
  llm=llm,
  verbose=True,
  chain_type="stuff",   
  retriever=db.as_retriever(),   
  chain_type_kwargs={"prompt": QA_CHAIN_PROMPT} 
) 

# 8. 正确调用链
question = "Is probability a class topic?"
result = qa_chain.invoke({"query": question }) # 正确使用 .invoke()
print(result["result"])

LangChain Runnable接口的其他调用方法

除了.invoke()，LangChain的Runnable接口还提供了其他有用的调用方法，以适应不同的应用场景：

  • .invoke(input): 用于处理单个输入并返回单个输出。这是最常用的方法，适用于一次性问答、数据处理等。
  • .stream(input): 用于处理单个输入，但以流式方式返回输出。这对于需要实时显示LLM生成内容（如聊天机器人）的场景非常有用，可以逐字或逐块接收响应。
  • .batch(inputs): 用于同时处理多个输入（以列表形式提供），并返回一个包含所有对应输出的列表。这对于批量处理任务或提高吞吐量非常高效。

关于StrOutputParser的说明

在某些LangChain教程或示例中，你可能会看到StrOutputParser与llm结合使用，例如：

from langchain_core.output_parsers import StrOutputParser

# 假设 llm 是一个已初始化的语言模型Runnable
simple_chain = llm | StrOutputParser()
response = simple_chain.invoke("What is the capital of France?")
print(response) # 输出一个纯字符串

StrOutputParser是一个Runnable，它的作用是将上一个Runnable（通常是LLM）的输出解析成一个简单的字符串。LLM的原始输出可能是一个包含文本、元数据等信息的复杂对象，而StrOutputParser确保最终输出只是纯文本。

在本文的RetrievalQA链场景中，RetrievalQA链本身已经设计为返回一个字典，其中"result"键对应着LLM生成的答案字符串。因此，直接使用qa_chain.invoke({"query": question})["result"]即可获取所需的字符串答案。StrOutputParser并非解决RetrievalQA链调用错误的直接方案，但它在构建更复杂的LangChain Expression Language (LCEL) 链时，特别是需要确保LLM输出始终为纯字符串的场景下，是一个非常有用的组件。

总结与最佳实践

  1. 遵循LangChain Runnable接口规范：始终使用.invoke()、.stream()或.batch()等方法来调用LangChain的Runnables，而不是尝试直接将其作为函数调用。
  2. 查阅官方文档：LangChain的API更新频繁，遇到问题时，查阅最新的官方文档是解决问题的最佳途径。特别是关于Runnable接口和LCEL的部分，能帮助你更好地理解和使用LangChain。
  3. 理解链的输入和输出：清楚每个链或Runnable预期的输入类型（通常是字典或字符串）以及其输出结构，这有助于正确地构建和调试你的应用。RetrievalQA链通常需要一个包含"query"键的字典作为输入，并返回一个包含"result"键的字典作为输出。

通过遵循这些原则，你可以更有效地在LangChain中构建和维护健壮的RAG应用。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。

TikTok话题搜不到？优化技巧全解析TikTok话题搜不到？优化技巧全解析
上一篇
TikTok话题搜不到？优化技巧全解析
QCYT5对比荣耀EarbudsX1，哪款更实用？
下一篇
QCYT5对比荣耀EarbudsX1，哪款更实用？
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • ljg-skills -
    ljg-skills
    ljg-skills 是李继刚开源的 AI 技能与提示词集合，面向大模型使用者整理了一批可复用的 prompt、角色设定和任务技能模板，适合用于学习提示词设计、搭建个人 AI 工作流和沉淀团队常用智能体能力。
    4427次使用
  • MELO音乐 - AI 音乐生成平台，支持多模态创作能力
    MELO音乐
    MELO音乐是一站式AI视频与音乐制作助手，对标suno, udio的高品质体验。提供伴奏生成、原创写词、无损导出、哼唱识曲、混音变声等全套音频与短视频编辑工具。无论是流行Kpop、电音说唱、民谣古风、摇滚儿歌还是商用轻音乐，MELO为你免费谱曲，轻松做同款！
    4079次使用
  • UniScribe - AI 免费在线音视频转文字平台
    UniScribe
    UniScribe 是一款 AI 音视频转文字与内容整理工具，支持上传音频、视频文件或粘贴 YouTube 链接，自动生成转写文本、摘要、思维导图和关键问题，并支持多格式导出，适合会议记录、课程学习、访谈整理和内容创作复盘。
    4064次使用
  • 剧云 - 免费 AI 智能中文剧本创作平台
    剧云
    剧云是专业中文剧本创作平台，安全稳定运行十余年，集成AI编剧、剧本医生审核、人物小传、剧情关系图、大纲编写、多人协作、Word导入导出、版权管控功能，数据安全防护，轻松高效创作剧本。
    4253次使用
  • 万象有声 - AI 一站式有声内容创作平台
    万象有声
    万象有声，一个专为有声创作者打造的新一代智能有声内容创作平台。平台提供专业的智能拆章、智能画本编辑、AI配音、AI生成音效、后期制作、智能对轨、智能审听等有声创作全流程工具，可以帮助创作者高效、低成本创作出引人入胜的有声作品。立即体验，让有声书制作更简单！
    4223次使用
查看更多
相关文章
关于我们 免责声明 意见反馈 联系我们 内容提交 手册
Golang学习网：公益在线Go学习平台，帮助Go学习者快速成长！
技术交流群
Copyright 2023 http://www.17golang.com/ All Rights Reserved ｜ 苏ICP备2023003363号-1
  • Golang学习网
    关注公众号
    Golang学习网
微信登录更方便
  • 密码登录
  • 注册账号
忘记密码
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码
发送验证码