【大模型从入门到精通33】开源库框架LangChain RAG 系统中的问答技术3

理论

问答过程的三个主要阶段

问答增强（RAG）系统中的问答过程涉及三个主要阶段：

1. 查询接收（Query Reception）：接收用户的自然语言查询。
2. 文档检索（Document Retrieval）：基于查询内容从文档集合中检索相关文档。
3. 答案生成（Answer Generation）：利用语言模型从检索到的文档中生成答案。

传递文档片段至 LM 上下文窗口的局限性及策略

传递所有检索到的文档片段到语言模型（LM）上下文窗口的局限性包括上下文窗口大小的限制，这可能导致相关信息的丢失。为了克服这一限制，可以采用以下两种策略：

• MapReduce：用于快速聚合来自多个文档的信息。
• Refine：允许按顺序逐步完善答案，适用于需要高度准确性的情况。

向量数据库的重要性

在 RAG 系统中使用向量数据库（VectorDB）进行文档检索的重要性在于它能高效地存储和检索文档嵌入，从而实现对用户查询相关文档的快速准确检索。

RetrievalQA 链的作用

RetrievalQA 链通过结合文档检索与问答来工作，它利用语言模型根据检索到的文档内容生成答案，提高了答案的相关性和准确性。

MapReduce 与 Refine 的区别

• MapReduce：专为从多个文档中快速聚合信息设计。
• Refine：允许答案的逐步完善，适用于需要高度准确性的任务。
  选择哪种技术取决于具体任务的需求。

分布式系统中的实际考量

当在分布式系统中实施 MapReduce 或 Refine 技术时，需要注意网络延迟和数据序列化成本等因素，以确保高效的数据传输和处理。

实验的重要性

在 RAG 系统中实验 MapReduce 和 Refine 技术至关重要，因为它们的有效性会根据数据特性和问答任务的不同而变化。实验可以帮助确定哪种技术最适合特定的应用场景。

RetrievalQA 链的主要限制

RetrievalQA 链的一个主要限制是无法保留对话历史记录，这会影响后续查询的流程，使得维持对话上下文和连贯性变得困难。

对话记忆的重要性

将对话记忆集成到 RAG 系统中非常重要，因为它能让系统记住之前的交互，提高系统与用户进行有意义对话的能力，提供情境感知的回答。

实践

初始化向量数据库

from langchain.vectorstores import Chroma
from langchain.embeddings.openai import OpenAIEmbeddings

def initialize_vector_database(directory_path):
    # 初始化使用 OpenAI 嵌入的嵌入生成器
    embeddings_generator = OpenAIEmbeddings()

    # 使用指定的存储目录和嵌入函数初始化向量数据库
    vector_database = Chroma(persist_directory=directory_path, embedding_function=embeddings_generator)

    # 显示向量数据库中的当前文档计数以验证初始化
    document_count = vector_database._collection.count()  # 假设 Chroma 实现提供了 count 方法
    print(f"向量数据库中的文档数量: {document_count}")

# 示例使用:
documents_storage_directory = 'path/to/your/directory'
initialize_vector_database(documents_storage_directory)

设置 RetrievalQA 链

from langchain.vectorstores import Chroma
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate

def setup_retrieval_qa_chain(model_name, documents_storage_directory):
    # 初始化嵌入生成器和向量数据库
    embeddings_generator = OpenAIEmbeddings()
    vector_database = Chroma(persist_directory=documents_storage_directory, embedding_function=embeddings_generator)

    # 初始化语言模型
    language_model = ChatOpenAI(model_name=model_name, temperature=0)

    # 自定义提示模板
    custom_prompt_template = """为了更好地回答询问，请考虑下面提供的细节作为参考...
{context}
询问: {question}
洞察性的回答: """

    # 初始化 RetrievalQA 链
    question_answering_chain = RetrievalQA.from_chain_type(
        language_model,
        retriever=vector_database.as_retriever(),
        return_source_documents=True,
        chain_type_kwargs={"prompt": PromptTemplate.from_template(custom_prompt_template)}
    )

    return question_answering_chain

# 示例使用:
model_name = "gpt-3.5-turbo"
documents_storage_directory = 'path/to/your/documents'
qa_chain = setup_retrieval_qa_chain(model_name, documents_storage_directory)

使用 MapReduce 和 Refine 技术

# 假设 `setup_retrieval_qa_chain` 函数已在同一脚本中定义或被导入

# 使用相同模型和文档存储目录设置两种技术
model_name = "gpt-3.5-turbo"
documents_storage_directory = 'path/to/your/documents'
qa_chain = setup_retrieval_qa_chain(model_name, documents_storage_directory)

# 配置 MapReduce 和 Refine 的问答链
question_answering_chain_map_reduce = RetrievalQA.from_chain_type(
    qa_chain.language_model,
    retriever=qa_chain.retriever,
    chain_type="map_reduce"
)

question_answering_chain_refine = RetrievalQA.from_chain_type(
    qa_chain.language_model,
    retriever=qa_chain.retriever,
    chain_type="refine"
)

# 示例查询
query = "概率在机器学习中的重要性是什么?"

# 执行 MapReduce 技术
response_map_reduce = question_answering_chain_map_reduce({"query": query})
print("MapReduce 答案:", response_map_reduce["result"])

# 执行 Refine 技术
response_refine = question_answering_chain_refine({"query": query})
print("Refine 答案:", response_refine["result"])

处理对话上下文

def handle_conversational_context(initial_query, follow_up_query, qa_chain):
    """
    模拟处理后续问题的情境。

    参数:
    - initial_query: 第一个用户查询。
    - follow_up_query: 后续用户查询。
    - qa_chain: 已初始化的问答链。

    返回: 无。打印两个查询的答案。
    """
    # 生成对初始查询的回答
    initial_response = qa_chain({"query": initial_query})
    print("对初始查询的回答:", initial_response["result"])

    # 生成对后续查询的回答
    follow_up_response = qa_chain({"query": follow_up_query})
    print("对后续查询的回答:", follow_up_response["result"])

# 示例使用 (假设已设置 question_answering_chain):
initial_query = "概率在统计学中的重要性是什么?"
follow_up_query = "它是如何应用于现实世界问题的?"
# handle_conversational_context(initial_query, follow_up_query, qa_chain)