在这篇文章中,我们将展示如何使用LlamaIndex定义一个简单的混合搜索引擎,结合关键词查找检索和向量检索,实现“与”和“或”条件检索。
环境准备
如果你在使用Colab Notebook,请先安装LlamaIndex:
!pip install llama-index
接着,我们需要设置环境变量:
import os
os.environ["OPENAI_API_KEY"] = "你的API密钥"
下载数据
我们将下载Paul Graham的一篇文章作为示例数据:
!mkdir -p 'data/paul_graham/'
!wget 'https://raw.githubusercontent.com/run-llama/llama_index/main/docs/docs/examples/data/paul_graham/paul_graham_essay.txt' -O 'data/paul_graham/paul_graham_essay.txt'
加载数据
首先,将文档转换为节点,并插入DocumentStore:
from llama_index.core import SimpleDirectoryReader
# 加载文档
documents = SimpleDirectoryReader("./data/paul_graham").load_data()
from llama_index.core import Settings
nodes = Settings.node_parser.get_nodes_from_documents(documents)
from llama_index.core import StorageContext
# 初始化存储上下文(默认为内存中)
storage_context = StorageContext.from_defaults()
storage_context.docstore.add_documents(nodes)
定义向量索引和关键词表索引
在同一个DocumentStore上,我们分别建立向量索引和关键词索引:
from llama_index.core import SimpleKeywordTableIndex, VectorStoreIndex
vector_index = VectorStoreIndex(nodes, storage_context=storage_context)
keyword_index = SimpleKeywordTableIndex(nodes, storage_context=storage_context)
定义自定义检索器
我们定义一个自定义检索器类,实现关键词查找和语义搜索:
from llama_index.core import QueryBundle
from llama_index.core.schema import NodeWithScore
from llama_index.core.retrievers import (
BaseRetriever,
VectorIndexRetriever,
KeywordTableSimpleRetriever,
)
from typing import List
class CustomRetriever(BaseRetriever):
"""实现语义搜索和混合搜索的自定义检索器。"""
def __init__(
self,
vector_retriever: VectorIndexRetriever,
keyword_retriever: KeywordTableSimpleRetriever,
mode: str = "AND",
) -> None:
"""初始化参数。"""
self._vector_retriever = vector_retriever
self._keyword_retriever = keyword_retriever
if mode not in ("AND", "OR"):
raise ValueError("Invalid mode.")
self._mode = mode
super().__init__()
def _retrieve(self, query_bundle: QueryBundle) -> List[NodeWithScore]:
"""根据查询检索节点。"""
vector_nodes = self._vector_retriever.retrieve(query_bundle)
keyword_nodes = self._keyword_retriever.retrieve(query_bundle)
vector_ids = {n.node.node_id for n in vector_nodes}
keyword_ids = {n.node.node_id for n in keyword_nodes}
combined_dict = {n.node.node_id: n for n in vector_nodes}
combined_dict.update({n.node.node_id: n for n in keyword_nodes})
if self._mode == "AND":
retrieve_ids = vector_ids.intersection(keyword_ids)
else:
retrieve_ids = vector_ids.union(keyword_ids)
retrieve_nodes = [combined_dict[rid] for rid in retrieve_ids]
return retrieve_nodes
插件检索器到查询引擎中并运行查询
最后,我们将检索器插件到查询引擎中,并运行一些查询:
from llama_index.core import get_response_synthesizer
from llama_index.core.query_engine import RetrieverQueryEngine
# 定义自定义检索器
vector_retriever = VectorIndexRetriever(index=vector_index, similarity_top_k=2)
keyword_retriever = KeywordTableSimpleRetriever(index=keyword_index)
custom_retriever = CustomRetriever(vector_retriever, keyword_retriever)
# 定义响应综合器
response_synthesizer = get_response_synthesizer()
# 组装查询引擎
custom_query_engine = RetrieverQueryEngine(
retriever=custom_retriever,
response_synthesizer=response_synthesizer,
)
# 向量查询引擎
vector_query_engine = RetrieverQueryEngine(
retriever=vector_retriever,
response_synthesizer=response_synthesizer,
)
# 关键词查询引擎
keyword_query_engine = RetrieverQueryEngine(
retriever=keyword_retriever,
response_synthesizer=response_synthesizer,
)
response = custom_query_engine.query("What did the author do during his time at YC?")
print(response)
可能遇到的错误
- API Key错误:如果你未能正确设置API Key,可能会遇到认证错误。请确保你已正确设置
os.environ["OPENAI_API_KEY"]
。 - 网络问题:下载数据或访问API时可能会遇到网络问题。请检查网络连接并重试。
- 数据加载问题:如果数据路径错误或数据格式不正确,可能会导致加载失败。请确保路径和格式正确。
如果你觉得这篇文章对你有帮助,请点赞,关注我的博客,谢谢!
参考资料: