- 介绍
- 教程
2.1. 构建一个简单的 LLM 应用程序
2.2. 构建一个聊天机器人
2.3. 构建向量存储库和检索器(点击查看原文)
这个教程将帮助您熟悉LangChain的向量存储和检索器抽象概念。这些抽象概念旨在支持从向量数据库和其他来源检索数据,以便与LLM(大型语言模型)工作流程集成。它们对于应用程序来说非常重要,这些应用程序需要获取数据以作为模型推理的一部分进行推理,就像检索增强生成(RAG)的情况一样(请参阅我们这里关于RAG的教程)。
概念
本指南重点介绍文本数据的检索。我们将涵盖以下概念:
- 文档;
- 向量存储;
- 检索器。
安装
Jupyter Notebook
这些和其他教程可能最方便在Jupyter笔记本中运行。请参阅此处了解如何安装。
安装
本教程需要安装langchain
、langchain-chroma
和langchain-openai
包:
- pip
pip install langchain langchain-chroma langchain-openai
- conda
conda install langchain langchain-chroma langchain-openai -c conda-forge
更多详细信息,请参见我们的安装指南。
LangSmith
使用LangChain构建的许多应用程序将包含多个步骤,涉及LLM调用的多次调用。
随着这些应用程序变得越来越复杂,能够检查链或代理内部的确切情况变得至关重要。
最好的方法是使用LangSmith
。
在上述链接注册后,请确保设置您的环境变量以开始记录跟踪:
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="..."
或者,如果在笔记本中,您可以使用以下方式设置它们:
import getpass
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
文档
LangChain实现了一个文档抽象,旨在表示一个文本单元和相关的元数据。它有两个属性:
page_content
: 表示内容的字符串;metadata
: 包含任意元数据的字典。
metadata
属性可以捕获有关文档来源、其与其他文档的关系以及其他信息。请注意,单个Document
对象通常表示一个更大文档的一部分。
让我们生成一些示例文档:
from langchain_core.documents import Document
documents = [
Document(
page_content="狗是伟大的伴侣,以其忠诚和友好而闻名。",
metadata={"source": "哺乳动物宠物文档"},
),
Document(
page_content="猫是独立的宠物,通常喜欢自己的空间。",
metadata={"source": "哺乳动物宠物文档"},
),
Document(
page_content="金鱼是初学者的流行宠物,需要相对简单的护理。",
metadata={"source": "鱼类宠物文档"},
),
Document(
page_content="鹦鹉是聪明的鸟类,能够模仿人类的语言。",
metadata={"source": "鸟类宠物文档"},
),
Document(
page_content="兔子是社交动物,需要足够的空间跳跃。",
metadata={"source": "哺乳动物宠物文档"},
),
]
这里我们生成了五个文档,包含元数据指示三个不同的“来源”。
向量存储
向量搜索是存储和搜索非结构化数据(例如非结构化文本)的常见方式。其理念是存储与文本相关联的数值向量。给定一个查询,我们可以将其嵌入为相同维度的向量,并使用向量相似性度量来识别存储中的相关数据。
LangChain VectorStore
对象包含添加文本和Document
对象到存储中,以及使用各种相似度指标查询它们的方法。它们通常使用 embedding
模型进行初始化,这些模型决定了如何将文本数据转换为数值向量。
LangChain 包含一套与不同向量存储技术的集成。一些向量存储由提供商托管(例如,各种云提供商),需要特定的凭据才能使用;一些(例如Postgres
)在可以本地运行或通过第三方运行的单独基础设施中运行;其他可以在内存中运行以进行轻量级工作负载。这里我们将演示使用Chroma
的LangChain VectorStores的使用,它包括一个内存中的实现。
要实例化一个向量存储,我们通常需要提供一个嵌入模型来指定如何将文本转换为数值向量。这里我们将使用OpenAI
嵌入。
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
vectorstore = Chroma.from_documents(
documents,
embedding=OpenAIEmbeddings(),
)
这里调用.from_documents
将文档添加到向量存储中。VectorStore实现了添加文档的方法,也可以在对象实例化后调用。大多数实现将允许您连接到现有的向量存储–例如,通过提供客户端、索引名称或其他信息。有关更多详细信息,请参见特定集成的文档。
一旦我们实例化了一个包含文档的VectorStore
,我们就可以查询它。VectorStore
包括查询方法:
- 同步和异步;
- 通过字符串查询和向量查询;
- 返回或不返回相似度分数;
- 通过相似性和最大边际相关性(在检索结果中平衡与查询的相似性与多样性)。
这些方法通常在其输出中包括一个Document
对象列表。
示例
根据与字符串查询的相似性返回文档:
vectorstore.similarity_search("cat")
[Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘狗是伟大的伴侣,以其忠诚和友好而闻名。’,
metadata={‘source’: ‘哺乳动物宠物文档’}),
Document(page_content=‘兔子是社交动物,需要足够的空间跳跃。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘鹦鹉是聪明的鸟类,能够模仿人类的语言。’,
metadata={‘source’: ‘鸟类宠物文档’})]
异步查询:
await vectorstore.asimilarity_search("cat")
[Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘狗是伟大的伴侣,以其忠诚和友好而闻名。’,
metadata={‘source’: ‘哺乳动物宠物文档’}),
Document(page_content=‘兔子是社交动物,需要足够的空间跳跃。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘鹦鹉是聪明的鸟类,能够模仿人类的语言。’,
metadata={‘source’: ‘鸟类宠物文档’})]
返回分数:
# 注意,提供商实现的分数不同;Chroma在这里
# 返回一个距离度量,应该与相似性成反比变化。
vectorstore.similarity_search_with_score("cat")
[(Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’}),
0.3751849830150604), (Document(page_content=‘狗是伟大的伴侣,以其忠诚和友好而闻名。’, metadata={‘source’: ‘哺乳动物宠物文档’}),
0.48316916823387146), (Document(page_content=‘兔子是社交动物,需要足够的空间跳跃。’, metadata={‘source’: ‘哺乳动物宠物文档’}),
0.49601367115974426), (Document(page_content=‘鹦鹉是聪明的鸟类,能够模仿人类的语言。’, metadata={‘source’: ‘鸟类宠物文档’}),
0.4972994923591614)]
根据与嵌入查询的相似性返回文档:
embedding = OpenAIEmbeddings().embed_query("cat")
vectorstore.similarity_search_by_vector(embedding)
[Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘狗是伟大的伴侣,以其忠诚和友好而闻名。’,
metadata={‘source’: ‘哺乳动物宠物文档’}),
Document(page_content=‘兔子是社交动物,需要足够的空间跳跃。’, metadata={‘source’:
‘哺乳动物宠物文档’}), Document(page_content=‘鹦鹉是聪明的鸟类,能够模仿人类的语言。’,
metadata={‘source’: ‘鸟类宠物文档’})]
了解更多:
- API参考
- 如何指南
- 特定集成文档
检索器
LangChain VectorStore
对象没有Runnable子类,因此不能立即集成到LangChain表达式语言链中。
LangChain Retrievers
是 Runnable,因此它们实现了一组标准方法(例如,同步和异步的invoke
和batch
操作),并设计为被合并到LCEL链中。
我们可以自己创建一个简单的版本,而不需要从Retriever
继承。如果我们选择我们希望使用的方法来检索文档,我们可以轻松地创建一个可运行的。下面我们将围绕similarity_search
方法构建一个:
from typing import List
from langchain_core.documents import Document
from langchain_core.runnables import RunnableLambda
retriever = RunnableLambda(vectorstore.similarity_search).bind(k=1) # 选择顶部结果
retriever.batch(["cat", "shark"])
[[Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’})], [Document(page_content=‘金鱼是初学者的流行宠物,需要相对简单的护理。’,
metadata={‘source’: ‘鱼类宠物文档’})]]
Vectorstores 实现了一种as_retriever
生成 Retriever
的方法,具体来说就是VectorStoreRetriever
。这些检索器包括特定的search_type
和search_kwargs
属性,这些属性确定调用底层向量存储的哪些方法,以及如何参数化它们。例如,我们可以使用以下方式复制上述内容:
retriever = vectorstore.as_retriever(
search_type="similarity",
search_kwargs={"k": 1},
)
retriever.batch(["cat", "shark"])
[[Document(page_content=‘猫是独立的宠物,通常喜欢自己的空间。’, metadata={‘source’:
‘哺乳动物宠物文档’})], [Document(page_content=‘金鱼是初学者的流行宠物,需要相对简单的护理。’,
metadata={‘source’: ‘鱼类宠物文档’})]]
VectorStoreRetriever
支持"similarity"
(默认)、"mmr"
(最大边际相关性,如上所述)和"similarity_score_threshold"
的搜索类型。我们可以使用后者通过相似性分数来阈值检索器输出的文档。
检索器可以轻松地被合并到更复杂的应用程序中,例如检索增强生成(RAG)应用程序,这些应用程序将给定的问题与检索到的上下文结合起来,作为一个LLM的提示。下面我们展示了一个最小示例,基于OpenAI。
- OpenAI
pip install -qU langchain-openai
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo-0125")
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
message = """
使用提供的上下文仅回答这个问题。
{question}
上下文:
{context}
"""
prompt = ChatPromptTemplate.from_messages([("human", message)])
rag_chain = {"context": retriever, "question": RunnablePassthrough()} | prompt | llm
response = rag_chain.invoke("tell me about cats")
print(response.content)
猫是独立的宠物,通常喜欢自己的空间。
了解更多:
检索策略可以丰富而复杂。例如:
- 我们可以从查询中推断出硬规则和过滤器(例如,“使用2020年后发布的文档”);
- 我们可以返回以某种方式与检索上下文相关联的文档(例如,通过某种文档分类法);
- 我们可以为每个上下文单元生成多个嵌入;
- 我们可以集成来自多个检索器的结果;
- 我们可以为文档分配权重,例如,给最近的文档更高的权重。
如何指南中的检索器部分涵盖了这些和其他内置检索策略。
扩展BaseRetriever类以实现自定义检索器也是直接的。请参阅我们这里的如何指南。