theme: orange
前言
像 GPT-3 这样的语言模型已经在大量数据上进行了训练,包括数百 GB 和数十亿个单词。因此,它们具有扎实的知识基础,使它们在历史和科学等领域表现出色。然而,这些模型确实有局限性。一旦它们在训练中达到了某个程度,除非可以访问互联网,否则它们无法吸收任何新信息。此外,它们无法访问私人和企业文件中的大量数据。
要解决这个问题,理解“索引”的概念至关重要。这些索引有助于将文档结构化,以便于 LLMs 的使用。LangChain 提供了四种创建索引的工具 :
- 文档加载器(Document Loaders)
- 文本拆分器 (Text Splitters)
- 向量存储 (Vector Stores)
- 检索器(Retrievers)。
本指南旨在深入解释 LangChain 文档加载器( Document Loaders),使您能够充分利用它们在您的 LLM 应用程序中。)。顾名思义,文档加载器负责从不同的来源加载文档。它们是多功能的工具,可以处理各种数据格式,并将它们转换成语言模型可以轻松处理的标准结构。
了解 LangChain 文档加载器
首先要了解的概念是 Langchain 称之为文档(Document)的东西。文档非常简单,它有两个字段:
- page_content(字符串):文档的原始文本
- metadata(字典):关于文本的任何元数据的键/值存储(源 URL、作者等)
- 我们来看一个最基本的文档加载器(TextLoader),它打开一个文本文件并将文本加载到文档中。
```python class TextLoader(BaseLoader): """Load text files."""
def __init__(
self,
file_path: str,
encoding: Optional[str] = None,
autodetect_encoding: bool = False,
):
"""Initialize with file path."""
self.file_path = file_path
self.encoding = encoding
self.autodetect_encoding = autodetect_encoding
def load(self) -> List[Document]:
"""Load from file path."""
text = ""
try:
with open(self.file_path, encoding=self.encoding) as f:
text = f.read()
except UnicodeDecodeError as e:
# code to handle Decoding errors
except Exception as e:
raise RuntimeError(f"Error loading {self.file_path}") from e
metadata = {"source": self.file_path}
return [Document(page_content=text, metadata=metadata)]
```
TextLoader 将文档的 page_content 设置为文件的文本,metadata 存储“source”文件路径。
随着数据来源变得更加复杂,你会发现需要更多的逻辑来创建这些文档。归根结底,我们的核心目标是将数据转换为这种标准格式,以便在我们的索引系统中进一步处理。
LangChain 中有三种主要类型的文档加载器:Transform(转换)、Public Datasets/Services(公共数据集/服务)、Proprietary Datasets/Services(专有数据集/服务)。