Langchain入门到实战-第三弹

最新推荐文章于 2024-08-21 06:54:47 发布

三人行 | Dylen

最新推荐文章于 2024-08-21 06:54:47 发布

阅读量764

点赞数 11

分类专栏： Langchain 文章标签： langchain

本文链接：https://blog.csdn.net/zwq56693/article/details/137843167

版权

Langchain 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

本文介绍了Langchain，一个基于大型语言模型的框架，演示了如何使用RAG功能进行文本检索和生成答案。步骤包括安装所需库、加载数据、创建嵌入模型和向量存储、构建问题解答链以及创建检索链。更新计划未详述，展示了基础操作流程。

摘要由CSDN通过智能技术生成

Langchain入门到实战

Langchain中RAG入门

Langchain中RAG入门

Retrieval Augmented Generation 翻译成中文是“检索增强生成”

官网地址

声明: 由于操作系统, 版本更新等原因, 文章所列内容不一定100%复现, 还要以官方信息为准

https://python.langchain.com/

Langchain概述

LangChain是一个用于开发由大型语言模型（LLM）驱动的应用程序的框架。

代码演示调用RAG功能

Retrieval chain可以是sql数据库中的数据, 互联网上的数据, 本文以向量数据库为例

安装本次运行必要的包

pip install beautifulsoup4
pip install faiss-cpu

使用 WebBaseLoader加载我们想要建立索引的数据

from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://docs.smith.langchain.com/user_guide")

docs = loader.load()

在这里插入图片描述

接下来需要embedding model和vector store

embedding model的作用是讲一个一个单词以向量表示, 比如"我", 用一个512维的一维向量表示为[0.122334455, 2.54433222,…], 本例使用OllamaEmbeddings
vector store是用来存放向量的数据库, 本例使用FAISS

from langchain_community.embeddings import OllamaEmbeddings
embeddings = OllamaEmbeddings()

from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter()
documents = text_splitter.split_documents(docs)
vector = FAISS.from_documents(documents, embeddings)

在这里插入图片描述

创建一个包含问题并根据检索内容生成答案的一个chain

from langchain_core.prompts import ChatPromptTemplate
from langchain.chains.combine_documents import create_stuff_documents_chain

prompt = ChatPromptTemplate.from_template("""Answer the following question based only on the provided context:

<context>
{context}
</context>

Question: {input}""")

document_chain = create_stuff_documents_chain(llm, prompt)

从向量数据库中检索内容, 并让大模型根据已有知识回答问题

from langchain.chains import create_retrieval_chain

retriever = vector.as_retriever()
retrieval_chain = create_retrieval_chain(retriever, document_chain)
response = retrieval_chain.invoke({"input": "how can langsmith help with testing?"})
response["answer"]