【LangChain】Document篇

概述

这些是处理文档的核心链。它们对于总结文档、回答文档问题、从文档中提取信息等很有用。
这些链都实现了一个通用接口：

class BaseCombineDocumentsChain(Chain, ABC):
    """Base interface for chains combining documents."""

    @abstractmethod
    def combine_docs(self, docs: List[Document], **kwargs: Any) -> Tuple[str, dict]:
        """Combine documents into a single string."""

填充(Stuff)

填充(stuff)文档链是最直接的文档链。它需要一个文档列表，将它们全部插入到Prompt中，并将该prompt传递给llm。

该链非常适合文档较小且大多数调用只传递少量文档的应用程序。

提炼(Refine)

提炼文档链通过循环输入文档并迭代更新其答案来构建响应。
对于每个文档，它将所有非文档输入、当前文档和最新的中间答案传递给 LLM 链以获得新答案。

map reduce

Map 步骤：MapReduce 文档链首先将 LLM 链单独应用于每个文档，将链输出视为新文档。
Reduce 步骤：然后，将所有新文档传递到单独的组合文档链以获得单个输出。

它可以选择首先压缩或折叠、映射的文档，以确保它们适合组合文档链（这通常会将它们传递给LLM）。如有必要，该压缩步骤会递归执行。

Map re-rank

map re-rank文档链会对每个文档运行初始Prompt，这不仅会尝试完成任务，还会对其答案的确定性进行评分。返回得分最高的响应。

总结

文本就是讲解对Document的基础操作chain有哪些？

chain	描述
stuff chain	该链非常适合文档较小且大多数调用只传递少量文档的应用程序。
Refine chain	通过循环输入文档并迭代更新其答案来构建响应.
map reduce chain	将A文档转换成B文档，然后针对B文档进行输出。
Map re-rank chain	对答案增加了确定下评分。返回得分最高的响应。

参考地址：

https://python.langchain.com/docs/modules/chains/document/