用通俗易懂的方式讲解：大模型 RAG 在 LangChain 中的应用实战

Retrieval-Augmented Generation（RAG）是一种强大的技术，能够提高大型语言模型（LLM）的性能，使其能够从外部知识源中检索信息以生成更准确、具有上下文的回答。

本文将详细介绍 RAG 在 LangChain 中的应用，以及如何构建一个简单的 RAG 管道。

LangChain 是什么

LangChain 是一个强大的自然语言处理工具，提供了丰富的功能来简化文本处理和信息检索任务。它的强大之处在于可以无缝集成不同的组件，从而构建复杂的文本处理管道。

RAG 是什么

RAG 的核心思想是将语言模型（LLM）与检索模块结合起来，使其能够利用外部知识源的信息。这有助于生成更加准确和上下文相关的回答，从而减少幻觉（hallucination）的风险。

RAG 工作原理分为两个主要阶段：

索引阶段

该阶段是信息检索系统中的一个关键步骤，旨在将原始数据（例如文档、文本等）进行处理和组织，以便后续能够更快速、有效地检索和获取相关信息。

以下是索引阶段的主要组成部分：

  1. 索引： 数据被处理成一个索引结构，其中特定的信息块被赋予唯一的标识符或值。索引结构充当后续检索操作的入口，加速信息查找的过程。

  2. 文档加载器： 负责从各种来源（如私有S3存储桶、信息网站、社交平台等）获取原始数据。文档加载器的任务是将原始数据导入系统，以便进行后续的处理和索引。

  3. 文档转换器： 对原始文档进行处理，将其转换成更容易处理的形式。这可能包括将大型文档分解为小块，准备文档以便后续的信息检索。

  4. 文本嵌入模型： 一旦文档被转换，系统会使用文本嵌入模型为文本创建嵌入。嵌入捕捉文本的潜在语义含义，使得后续的检索可以更准确地匹配用户查询。

  5. 向量存储： 为了存储处理后的数据和相应的嵌入，系统提供与多种向量存储的连接。

检索和生成阶段

该阶段是信息检索系统中的两个关键步骤，涉及根据用户的查询检索相关信息并生成自然语言响应。以下是的主要组成部分：

  1. 检索： 在用户提出问题时，系统使用检索器从存储中获取与用户需求相关的信息。这类似于搜索引擎，系统寻找匹配用户问题的数据片段。

  2. 生成： 获取所需信息后，ChatModel 或大语言模型（LLM）介入，通过将用户的问题与获取的数据结合，生成自然而直接相关的响应。

RAG 的工作流程

在这里插入图片描述

RAG 的工作流程主要分为三个步骤：检索、增强和生成。

  • 检索： 使用用户查询从外部知识源中检索相关上下文。将用户查询嵌入到向量空间中，与向量数据库中的附加上下文进行相似性搜索，返回前 N 个最接近的数据对象。

  • 增强： 使用用户查询和检索到的附加上下文填充提示模板。

  • 生成： 将经过检索增强的提示传递给LLM。

通俗易懂讲解大模型系列

  • 用通俗易懂的方式讲解：一文讲清大模型 RAG 技术全流程

  • 用通俗易懂的方式讲解：如何提升大模型 Agent 的能力?

  • 用通俗易懂的方式讲解：使用 Mistral-7B 和 Langchain 搭建基于PDF文件的聊天机器人

  • 用通俗易懂的方式讲解：ChatGPT 开放的多模态的DALL-E 3功能，好玩到停不下来！

  • 用通俗易懂的方式讲解：结合检索和重排序模型，改善大模型 RAG 效果明显

  • 用通俗易懂的方式讲解：基于扩散模型（Diffusion）,文生图 AnyText 的效果太棒了

  • 用通俗易懂的方式讲解：在 CPU 服务器上部署 ChatGLM3-6B 模型

  • 用通俗易懂的方式讲解：ChatGLM3-6B 功能原理解析

  • 用通俗易懂的方式讲解：使用 LangChain 和大模型生成海报文案

  • 用通俗易懂的方式讲解：一个强大的 LLM 微调工具 LLaMA Factory

  • 用通俗易懂的方式讲解：ChatGLM3-6B 部署指南

  • 用通俗易懂的方式讲解：LangChain Agent 原理解析

  • 用通俗易懂的方式讲解：HugggingFace 推理 API、推理端点和推理空间使用详解

  • 用通俗易懂的方式讲解：使用 LangChain 封装自定义的 LLM，太棒了

  • 用通俗易懂的方式讲解：使用 FastChat 部署 LLM 的体验太爽了

  • 用通俗易懂的方式讲解：基于 Langchain 和 ChatChat 部署本地知识库问答系统

  • 用通俗易懂的方式讲解：使用 Docker 部署大模型的训练环境

  • 用通俗易懂的方式讲解：在 Ubuntu 22 上安装 CUDA、Nvidia 显卡驱动、PyTorch等大模型基础环境

  • 用通俗易懂的方式讲解：Llama2 部署讲解及试用方式

  • 用通俗易懂的方式讲解：LangChain 知识库检索常见问题及解决方案

  • 用通俗易懂的方式讲解：基于 LangChain 和 ChatGLM2 打造自有知识库问答系统

  • 用通俗易懂的方式讲解：代码大模型盘点及优劣分析

  • 用通俗易懂的方式讲解：Prompt 提示词在开发中的使用

  • 用通俗易懂的方式讲解：万字长文带你入门大模型

技术交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

相关资料、数据、技术交流提升，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：mlc2060，备注：来自CSDN + 技术交流
方式②、微信搜索公众号：机器学习社区，后台回复：加群

在这里插入图片描述

配置与准备

在开始使用 LangChain 之前，首先需要安装必要的依赖。以下是配置OpenAI 环境和安装所需依赖项的代码：

!pip install openai --quiet
!pip install langchain --quiet
!pip install docx2txt --quiet
!pip install weaviate-client --quiet

然后，配置 OpenAI 环境的代码如下：

import os# 设置OpenAI API密钥
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"

文档处理与分段

接下来，加载并处理示例文档。这包括使用文档加载器加载文档，然后将其分成较小的段落。

from langchain.document_loaders import Docx2txtLoader
from langchain.text_splitter import CharacterTextSplitter# 加载文档
document_path = "文件路径"
loader = Docx2txtLoader(document_path)
documents = loader.load()# 分割文档
text_splitter = CharacterTextSplitter(chunk_size=300, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

文本嵌入与向量存储

现在，使用 LangChain 进行文本嵌入和向量存储，以便后续的检索操作。

from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Weaviate# 初始化 OpenAI 嵌入模型
embeddings = OpenAIEmbeddings()# 创建Weaviate向量数据库
vectorstore = Weaviate.from_documents(client=weaviate.Client(embedded_options=EmbeddedOptions()),documents=texts,embedding=embeddings,by_text=False
)

检索链的创建

接下来，将演示如何在 LangChain 中创建检索链。使用一个示例文档，并将其分段以便进行更有效的检索。

基于文档填充的检索链
from langchain.chains import RetrievalQA# 创建 RetrievalQA 检索链
retriever = vectorstore.as_retriever()
qa = RetrievalQA.from_chain_type(llm=ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0), chain_type="stuff", retriever=retriever)# 运行查询
query = "这文档里都有什么内容?"result = qa_map_reduce.run(query)
print(result)

Map-Reduce 文档链

from langchain.chains import RetrievalQA# 构建 Map-Reduce文档链
retriever = vectorstore.as_retriever()
qa_map_reduce = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="map_reduce", retriever=retriever)# 运行查询
query = "这文档里都有什么内容?"result = qa_map_reduce.run(query)
print(result)

优化文档链

from langchain.chains import RetrievalQA# 构建优化文档链
retriever = vectorstore.as_retriever()
qa_refine = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="refine", retriever=retriever)# 运行查询
query = "这文档里都有什么内容?"result = qa_refine.run(query)
print(result)

RAG 实现示例

1. 基础设置和文档处理：通过 LangChain 处理文本数据，将其嵌入为向量，并通过 Weaviate 向量数据库，为文本搜索或相似性匹配提供支持。

import requests
from weaviate import Weaviate, Client, EmbeddedOptions
from weaviate.language_embedding.vectorization import OpenAIEmbeddings
from weaviate.util import CharacterTextSplitter, TextLoader
import dotenv# 加载环境变量
dotenv.load_dotenv()# 下载数据
url = "https://raw.githubusercontent.com/langchain-ai/langchain/master/docs/docs/modules/state_of_the_union.txt"
res = requests.get(url)
with open("state_of_the_union.txt", "w") as f:f.write(res.text)# 使用 TextLoader 加载文本
loader = TextLoader('./state_of_the_union.txt')
documents = loader.load()# 使用 CharacterTextSplitter 拆分文本成小块
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)# 初始化 Weaviate 客户端
client = Client(embedded_options=EmbeddedOptions())# 在 Weaviate 中创建向量存储
vectorstore = Weaviate.from_documents(client=client,documents=chunks,embedding=OpenAIEmbeddings(),by_text=False
)

2. 构建 RAG Pipline：使用 RAG 模型进行问答对话，通过检索上下文信息来支持生成更精准的回答。

from langchain.prompts import ChatPromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser# 定义检索器
retriever = vectorstore.as_retriever()# 准备中文prompt模板
template = """你是一个用于问答任务的助手。
使用以下检索到的上下文片段来回答问题。
如果你不知道答案，只需说你不知道。
最多使用三句话，保持回答简洁。
问题: {question}
上下文: {context}
回答:
"""
prompt = ChatPromptTemplate.from_template(template)# 定义LLM
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)# 构建RAG链
rag_chain = ({"context": retriever,  "question": RunnablePassthrough()} | prompt | llm| StrOutputParser() 
)# 运行RAG链
query = "总结内容并列出关键词."
result = rag_chain.invoke(query)
print(result)

以上就是一个简单的 RAG Pipline 的构建和运行过程。通过这种方式，LangChain 提供了一种方便而强大的方法来实现检索增强生成任务，使得语言模型能够更好地利用外部知识源来提高其性能。

总结

LangChain 提供了丰富的组件和功能，使得 RAG 的实现变得简单而灵活。通过检索增强生成，使我们能够充分利用大语言模型和外部知识源，生成更加准确和具有上下文的回答，从而提高自然语言处理任务的性能。

引用

  1. https://github.com/langchain-ai/langchain
  2. https://python.plainenglish.io/rag-using-langchain-c371fcd02d13
  3. https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/336809.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

外汇天眼：

外汇天眼：

随着年关将近，各种电信诈骗也层出不穷，令人防不胜防。 上个月，台北市警方就接到辖区内银行的诈骗通报，得知竟有民众被骗走新台币1亿元以上，这究竟是怎么回事呢？ 根据警方掌握到的情报，受害者是…
阅读更多...
最新Python安装和pycharm使用

最新Python安装和pycharm使用

1，进入python官网，点击download下载 2，双击默认下一步进行安装，并勾选添加环境变量 3，全选安装 ,4，安装完成，关闭即可 5，使用命令窗口测试版本 =======================================
阅读更多...
JavaScript日期和时间处理手册

JavaScript日期和时间处理手册

🧑‍🎓 个人主页：《爱蹦跶的大A阿》 🔥当前正在更新专栏：《VUE》 、《JavaScript保姆级教程》、《krpano》 ​ ​ ✨ 前言 日期和时间在应用开发中是非常常用的功能。本文将全面介绍JavaScript中处理日期和时间的方…
阅读更多...
MT36291 2.5A 高效的1.2MHz电流模式升压转换器 DCDC管理芯片 航天民芯

MT36291 2.5A 高效的1.2MHz电流模式升压转换器 DCDC管理芯片 航天民芯

描述 MT36291是一个恒定频率、6引脚SOT23电流模式升压转换器，旨在用于小型、低功耗的应用。MT36291的开关频率为1.2MHz，并允许使用2mm或更低高度的微小、低成本的电容器和电感器。内部软启动导致注入电流小，延长电池寿命。MT36291的特点是在光…
阅读更多...
openssl3.2 - 自己构建openssl.exe的VS工程(在编译完的源码版本上)

openssl3.2 - 自己构建openssl.exe的VS工程(在编译完的源码版本上)

文章目录 openssl3.2 - 自己构建openssl.exe的VS工程(在编译完的源码版本上)概述笔记备注END openssl3.2 - 自己构建openssl.exe的VS工程(在编译完的源码版本上) 概述 将openssl3.2编译出来了(openssl3.2 - 编译) 安装后的openssl.exe可以干openssl3.2所有的事情, 用openssl.…
阅读更多...
在VSCode中安装使用Copilot

在VSCode中安装使用Copilot

在VSCode里找到扩展 安装好后登录github，授权 在VSCode里初步尝试 创建一个js文件 写一个函数名 在括号里回车，会出现可能的代码 如果觉得可以，按一下tab后，代码变亮
阅读更多...
探索 OceanBase 中图数据的实现

探索 OceanBase 中图数据的实现

在数据管理和处理的现代环境中，对能够处理复杂数据结构的复杂数据模型和方法的需求从未如此迫切。图数据的出现以其自然直观地表示复杂关系的独特能力，开辟了数据分析的新领域。 虽然 Neo4j 等成熟的图形数据库为处理图形数据提供了强大的解决方案&…
阅读更多...
BabylonJS 6.0文档 Deep Dive 摄像机（三）：自定义摄像机输入

BabylonJS 6.0文档 Deep Dive 摄像机（三）：自定义摄像机输入

1. 如何自定义摄像机输入 当你调用摄像机的attachControl方法之后，摄像机都会自动为您处理输入。可以使detachControl方法撤消该控件。大多数Babylon.js专家使用两步流程来激活和连接相机： //First, set the scenes activeCamera... to be YOUR camera…
阅读更多...
python_数据可视化_pandas_导入excel数据

python_数据可视化_pandas_导入excel数据

目录 1.1导入库 1.2读取excel文件 1.3读取excel，指定sheet2工作表 1.4指定行索引 1.5指定列索引 1.6指定导入列 案例速览： 1.1导入库 import pandas as pd 1.2读取excel文件 pd.read_excel(文件路径) data pd.read_excel(D:/desktop/TestExcel…
阅读更多...
【竞技宝jjb.lol】LOL：ale分析新版本 战士只剩锐雯能玩

【竞技宝jjb.lol】LOL：ale分析新版本 战士只剩锐雯能玩

北京时间2024年1月10日,随着新年的来临,英雄联盟赛事也开启了全新的篇章,如今距离春季赛开启的时间已经越来越近了。为了让选手结束休赛期后恢复到正常的竞技水平,LPL在前不久刚刚进行了德玛西亚杯的比赛,最终BLG决赛横扫宿敌JDG拿下冠军。而新赛季官方也会推出新版本,那么职业…
阅读更多...
Java--业务场景：获取请求的ip属地信息

Java--业务场景：获取请求的ip属地信息

文章目录 前言步骤在pom文件中引入下列依赖IpUtil工具类在Controller层编写接口，获取请求的IP属地测试接口 IpInfo类中的方法 前言 很多时候，项目里需要展示用户的IP属地信息，所以这篇文章就记录一下如何在Java Spring boot项目里获取请求的…
阅读更多...
领英Linkedin自动跳转中国站点的解决方案

领英Linkedin自动跳转中国站点的解决方案

linkedin放弃中国市场后，在国内打开linkedin.com，会自动跳转到 linkedin.cn，无法与国际友人在同一个平台上联系。 按照搜到的方法尝试解决，包括修改浏览器默认语言、清除浏览数据、使用软路由上的插件给 linkedin.com设置从国外线…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023