基于LangChain/Llama的RAG系统中获取原始输入文档来源的技术咨询

嘿，我完全懂你的困扰！这确实是刚玩RAG时很容易踩的小坑——你要的是自己上传的那批txt文件的编号（比如doc0357.txt），但现在返回的是文档内容里提到的外部引用（docA、docB），对吧？

别担心，解决方法其实就在你拿到的source_documents里，只是你没用到它的另一个关键部分：metadata（元数据）。

核心思路 #

当你用LangChain加载本地txt文件时，每个生成的Document对象都会自带metadata字段，里面默认就包含了原始文件的路径/文件名（比如doc0001.txt）。你之前只提取了page_content（文档里的文字），自然拿不到自己要的源文件信息。

具体操作步骤 #

1. 先确认加载文档时的metadata是否正确
   不管你是单个加载还是批量加载，LangChain的加载器（比如TextLoader、DirectoryLoader）都会自动把文件路径存入metadata['source']里。你可以先验证一下：

   from langchain.document_loaders import TextLoader
   loader = TextLoader("doc0001.txt")
   doc = loader.load()[0]
   print(doc.metadata)  # 输出应该包含'source': 'doc0001.txt'
   

2. 修改查询代码，提取原始文档来源
   把你原来的代码改成从metadata里取文件名，而不是从page_content里找引用：

   prompt = "Tell me about artificial intelligence in medicine"
   output = qa_llm({'query': prompt})
   
   # 从每个源文档的metadata里提取原始文件名
   original_sources = [doc.metadata['source'] for doc in output['source_documents']]
   # 去重（避免同一个文档被多次检索到重复输出）
   unique_sources = list(set(original_sources))
   
   # 打印结果和原始来源文档
   print(output["result"])
   print("原始来源文档：", "|".join(unique_sources))
   

3. 如果是批量加载文档
   如果你用DirectoryLoader批量加载所有txt文件，同样会自动给每个文档加上正确的source元数据，直接用上面的代码就行：

   from langchain.document_loaders import DirectoryLoader
   
   # 加载指定目录下的所有txt文件
   loader = DirectoryLoader("./your_text_files_folder/", glob="*.txt")
   all_docs = loader.load()
   

额外说明 #

你之前看到的docA、docB是文档内容里的文本，属于文档本身提到的引用；而metadata里的source是你自己上传的原始文件标识，这两者完全是两回事。只要加载文档时没刻意修改或删除metadata，就能轻松拿到你要的doc0357.txt这类文件名列表。

备注：内容来源于stack exchange，提问作者elbillaf