LangChain实战：RAG检索增强-打造属于你自己的知识库

一、什么是检索增强的生成模型（RAG）

		1、RAG是一种结合了语言模型和信息检索技术的模型。
		2、当需要生成文本或回答问题时，RAG模型会首先从一个庞大的文档
		集合中检索出相关信息，然后利用这些检索到的信息来指导文本的生成，
		从而提高预测的质量和准确性。
		类比：你可以把这个过程想象成开卷考试。让 LLM 先翻书，再回答问题。

二、LLM 固有的局限性

	    1、LLM 的知识不是实时的
        2、LLM 可能不知道你私有的领域/业务知识

三、RAG 系统的基本搭建流程

搭建过程：
		1、文档加载，并按一定条件切割成片段
		2、将切割的文本片段灌入检索引擎
		3、封装检索接口
		4、构建调用流程：Query -> 检索 -> Prompt -> LLM -> 回复

四、RAG搭建实战

1、类信息搭建

	定义持久化目录变量、初始化向量库

class MyPDFProcessor:
    _vectordb: Chroma = None
    persist_directory = "/usr/local/soft/chromadb/data"

    def __init__(self):
        if MyPDFProcessor._vectordb is None:
            MyPDFProcessor.initialize_vectordb()

2、初始化向量库

    @classmethod
    def initialize_vectordb(cls):
        # 这里我们假设Chroma和OpenAIEmbeddings都已经被正确定义并可用
        cls._vectordb = Chroma(embedding_function=OpenAIEmbeddings(),
                               persist_directory=cls.persist_directory)

3、pdf加载

    @classmethod
    def pdf_loader(cls, file_name):
        pdf_loader = PyPDFLoader(file_path=file_name)
        docs = pdf_loader