如何将LangChain向量库检索结果与完整文档一同传入OpenAI？

LangChain完全支持将指定完整任务文档与向量库检索结果一起传给OpenAI的需求，下面是两种适合新手的修改方案，基于你提供的代码调整：

方案一：自定义提示模板，整合固定文档与检索结果 #

这种方式直接在prompt里加入固定任务文档的内容，让LLM同时参考固定文档和检索到的内容。

1. 读取指定的完整任务文档
   先把你的任务文档内容读入变量：

   // 替换为你的任务文档路径
   const taskDocContent = await fs.readFileSync('./task-document.txt', 'utf8');
   

2. 自定义RetrievalQAChain的提示模板
   创建包含固定文档占位符的prompt，让链同时接收固定文档、检索内容和用户问题：

   const customPrompt = new PromptTemplate({
     template: `请结合以下固定任务文档和检索到的相关内容回答用户问题：
   
   

固定任务文档：
{task_doc}

检索到的相关文档：
{context}

用户问题：{question}`,
inputVariables: ['task_doc', 'context', 'question'],
});

3. **创建带自定义prompt的RetrievalQAChain**
在创建链时传入自定义的prompt：
```javascript
const chain = RetrievalQAChain.fromLLM(model, vectorStore.asRetriever(), {
  prompt: customPrompt,
});

4. 调用链时传入固定文档内容
   注意把原来的query参数名改成question避免和prompt变量混淆：

   // userPrompt是你的用户问题
   const chatGptRes = await chain.call({
     question: userPrompt,
     task_doc: taskDocContent,
   });
   

方案二：合并固定文档与检索结果后传入链 #

这种方式先获取向量库的检索结果，再把固定文档和检索结果合并后一起传给LLM，灵活性更高。

1. 获取向量库的检索结果

   const retriever = vectorStore.asRetriever();
   const retrievedDocs = await retriever.getRelevantDocuments(userPrompt);
   

2. 合并固定文档与检索结果
   把固定文档包装成LangChain的Document对象，和检索结果合并：

   const taskDoc = new Document({ pageContent: taskDocContent });
   const combinedDocs = [taskDoc, ...retrievedDocs];
   

3. 创建文档合并链并调用
   使用StuffDocumentsChain把所有文档内容整合到prompt中，再传给LLM：

   const llmChain = new LLMChain({
     llm: model,
     prompt: new PromptTemplate({
       template: `请结合以下所有文档内容回答用户问题：
   
   

{context}

用户问题：{question}`,
inputVariables: ['context', 'question'],
})
});

const combineChain = new StuffDocumentsChain({
llmChain: llmChain,
documentVariableName: 'context',
});

const result = await combineChain.call({
input_documents: combinedDocs,
question: userPrompt,
});

## 注意事项
- 留意OpenAI的token限制，如果固定文档过长，可能需要使用支持更长上下文的模型（如gpt-3.5-turbo-16k、gpt-4），或者对超长文档做必要的分割处理（但如果你需要完整文档，优先选长上下文模型）。
- 变量名尽量清晰，避免出现同名变量导致的逻辑混乱。

内容的提问来源于stack exchange，提问作者Ben Shekhtman