diff --git a/demo/langchain_demo.py b/demo/langchain_demo.py
index cb2e79d..7d903c6 100644
--- a/demo/langchain_demo.py
+++ b/demo/langchain_demo.py
@@ -29,27 +29,35 @@ import re
 import gradio as gr
 
 parser = ArgumentParser()
+
 # 大语言模型参数设置
 parser.add_argument(
     "--cpm_model_path",
     type=str,
     default="openbmb/MiniCPM-1B-sft-bf16",
+    help="MiniCPM模型路径或者huggingface id"
 )
 parser.add_argument(
-    "--cpm_device", type=str, default="cuda:0", choices=["auto", "cuda:0"]
+    "--cpm_device", type=str, default="cuda:0", choices=["auto", "cuda:0"],
+    help="MiniCPM模型所在设备，默认为cuda:0"
+)
+parser.add_argument("--backend", type=str, default="torch", choices=["torch", "vllm"],
+     help="使用torch还是vllm后端，默认为torch"
 )
-parser.add_argument("--backend", type=str, default="torch", choices=["torch", "vllm"])
 
 # 嵌入模型参数设置
 parser.add_argument(
-    "--encode_model", type=str, default="BAAI/bge-base-zh"
+    "--encode_model", type=str, default="BAAI/bge-base-zh", 
+    help="用于召回编码的embedding模型，默认为BAAI/bge-base-zh,可输入本地地址"
 )
 parser.add_argument(
-    "--encode_model_device", type=str, default="cpu", choices=["cpu", "cuda:0"]
+    "--encode_model_device", type=str, default="cpu", choices=["cpu", "cuda:0"],
+    help="用于召回编码的embedding模型所在设备，默认为cpu"
 )
-parser.add_argument("--query_instruction", type=str, default="")
+parser.add_argument("--query_instruction", type=str, default="",help="召回时增加的前缀")
 parser.add_argument(
-    "--file_path", type=str, default="/root/ld/pull_request/rag/红楼梦.pdf"
+    "--file_path", type=str, default="/root/ld/pull_request/rag/红楼梦.pdf",
+    help="需要检索的文本文件路径,gradio运行时无效"
 )
 
 # 生成参数
@@ -60,9 +68,9 @@ parser.add_argument("--max_new_tokens", type=int, default=4096)
 parser.add_argument("--repetition_penalty", type=float, default=1.02)
 
 # retriever参数设置
-parser.add_argument("--embed_top_k", type=int, default=5)
-parser.add_argument("--chunk_size", type=int, default=256)
-parser.add_argument("--chunk_overlap", type=int, default=50)
+parser.add_argument("--embed_top_k", type=int, default=5,help="召回几个最相似的文本")
+parser.add_argument("--chunk_size", type=int, default=256,help="文本切分时切分的长度")
+parser.add_argument("--chunk_overlap", type=int, default=50,help="文本切分的重叠长度")
 args = parser.parse_args()