请你用LangChain实现一个完整的RAG问答系统，包括文档加载、分割、向量化、检索和生成。

from langchain.document_loaders import TextLoader, PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate

# 1. 加载文档
loader = PyPDFLoader('knowledge.pdf')
documents = loader.load()

# 2. 文档分割
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50,
    separators=['\n\n', '\n', '。', '！', '？', '；']
)
docs = text_splitter.split_documents(documents)

# 3. 向量化 + 存储
embeddings = HuggingFaceEmbeddings(
    model_name='BAAI/bge-large-zh-v1.5',
    model_kwargs={'device': 'cuda'}
)
vectorstore = Chroma.from_documents(
    docs, embeddings,
    persist_directory='./chroma_db'
)

# 4. 自定义Prompt
prompt_template = '''基于以下上下文回答问题。如果无法回答，直接说不知道。
{context}
问题：{question}
回答：'''
PROMPT = PromptTemplate(
    template=prompt_template,
    input_variables=['context', 'question']
)

# 5. 构建QA Chain
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model='gpt-4', temperature=0),
    chain_type='stuff',
    retriever=vectorstore.as_retriever(search_kwargs={'k': 4}),
    chain_type_kwargs={'prompt': PROMPT},
    return_source_documents=True
)

# 6. 查询
result = qa_chain({'query': '什么是RAG？'})
print(result['result'])        # 回答
print(result['source_documents'])  # 引用来源

关键设计决策：

• 选择适合中文的Embedding模型(BGE)
• 合理的chunk_size(500)和overlap(50)
• 自定义Prompt控制行为
• 返回来源文档实现可溯源