今年有"爱理财的小羊"天天亏，但有鸡爪卖几个亿，豪车好物随便带货，让我看明白了"被做空"也是能赚的。年初看到自动棋牌室，本来是想投资的， 错过了, 写篇AI运营棋牌室的小文吧， 打发下2023的最后一周...
前言
你好，我是旅梦。最近边学习AI, 边写了一些AI系列的文章。现在，我们基于之前对LangChain的理解，一起来动手实战！
在LlamaIndex 一 简单文档查询 - 掘金 (juejin.cn)里，我们编写了一个基于本地文档的问答系统。从那一刻开始，我们会开发RAG应用了。
在我最近的一系列文章中，多次聊到RAG。它是现在AI产品的主要形式之一，全称Retrieval-Augmented Generation，即检索增强生成。它会在LLM知识库之外，检索外部知识，使LLm在生成内容时可以动态地从知识库检索相关内容。RAG能增强LLM的生成能力，让内容在外部知识的加持下更丰满且准确，特别是"专家库"、"新闻"等。
工作原理
- 检索
对于用户的输入，模型首先会从外部知识库中查找出相关的文档和段落。我们会基于ChromaDB或Faiss这样的向量数据库来构建这个检索系统。
- 编码
找到相关的文档或段落后，LLM将它们与输入一起编码
- 生成
大模型通过相关的文档和段落，以及用户提问，生成答案。
RAG 的优点是，它让我们可以从LLM外部知识库中检索信息，使AI结合本身业务产品更好落地。增强了模型能力，又贴合了自身业务。RAG类的业务，在企业中的需求量特别大，也是LangChain开发的主要产品方向之一。
开发步骤
- 文档加载
AI助力之前，首先要是处理各种文档，先加载。LangChain提供了各种类型的文档加载器，可以将企业的各种HTML、PDF、代码、文本归档加载，以前我们是做大数据 ，现在更牛，我们将这些数据交给大模型，LLM更懂这些数据，更好的完成我们指派的任务。
图片中包括了我们常用的Text、CSV、HTML、JSON、Markdown、PFD等加载器， 加载后的文件成为LangChain的Document对象。
- 文本转换
要将文本内容转换成LLM能理解的格式，即向量化。 首先，我们将文档分割成小块，因为LLM 的传输上下文有大小限制，方便embedding计算。
- 将文本拆分成小的，更好语义的文本块，方便之后的检索匹配。 比如用户的文章在这个文件的那个部分，甚至哪个自然段中。一般是句子。
- 将这些小块组成一个大块，直到到达我们切块时定义的大小，即chunk_size。
- 各个块之间保持一部分的重叠， 方便带来更好的上下文，即块之间的关系。chunk_overlap
基于以上对文本块分割的理解 ，LangChain需要考虑以下业务：
- 怎么样对文本分块？ 最普通的是字符分割器Character TextSplitter。很好理解，按字符来分割，换行符\n\n特别适合做句子的分割，分块计算以字符数为单位。
python
from langchain.text_splitter import CharacterTextSplitter
text_splitter = CharacterTextSplitter(separator="\n\n", chunk_size=1000,chunk_overlap=200,length_function=len,is_separator_regex=False )建议大家在这里慢下来，这是理解RAG检索优于传统检索的关键所在。separator1的值为\n\n,定义了最小块以句子来分割，方便检索时，LLM向量计算以句子为单位，更准确。chunk_size值为1000, 这是一个Node的大小，即向量存储一个单位的大小。chunk_overlap值为200，块与块之间保有足够的上下文关联，因为用户想要的东西可能在上一个块的尾部没有结束，下一个块的开始，所以这种情况下，chunk_overlap可以保证检索的连续不被chunk_size武力打断，length_function值为len,以字符来分割嘛，那算长度当然是len这个python函数。is_separator_regex没有启用，我们还是用的朴素的\n\n来分割。
有CharacterTextSplitter打底，其它的就好理解了。继续上菜，RecursiveCharacterTextSplitter。它和CharacterTextSplitter差不多，区别之处在于可以接受一个分隔符列表，可以按照这个列表逐一尝试将每个chunk 分割成足够小的块。感觉有点庖丁解牛的感觉。默认的分割列表是["\n\n", "\n", " ", ""]。
python
from langchain.text_splitter import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000,chunk_overlap=200,length_function=len,is_separator_regex=False )上面的demo,我们就没有传seperator,而使用了默认的分割列表，它的分割粒度比CharacterTextSplitter可以细很多。
MarkdownHeaderTextSplitter, 特别适合Markdown格式的文本处理，可以理解为RecursiveCharacterTextSplitter中的分隔列表中包含Markdown的语法符号，如#、##等。
ini
from langchain.text_splitter import MarkdownHeaderTextSplitter
text_splitter = MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on)
md_headers_splits=markdown_splitter.split_text(markdown_document)最后，我们来介绍一下TokenTextSplitter,它会按LLM的需要来做分割。
ini
from langchain.text_splitter import TokenTextSplitter
text_splitter = TokenTextSplitter(chunk_size=100)选择哪版分割器，要看我们处理的文档类型，比如Markdown或html,或者csv文件，都有鲜明的分割特征，当然采用更具体的分割器，我们可以把各种分割器理解为基类和派生类的关系，有时间，我们一起看看LangChain的源码。
-
chunk_size 的设计 分块后，文本是要上传到LLM去进行embedding计算的，所以我们在做chunk_size时，要考虑LLM的上下文大小限制。 以GPT-3.5-turbo 模型为例，上下文窗口（输入token和输出token）的上限是4096个token，超过就会报错。如果在检索的时候，匹配到了n个相关信息块，那么每个块的大小应该小于2048/n, 大家应该就有chunk_size设计的感觉了。 除了数学计算外，token_size的设计还跟业务有关，我们知道，size 大了，粒度不够，可能会影响检索的准确性，太小了，块太多，性能和费用开销就大，如何把握这个火候呢，看业务需求。 如果是拼写检查、代码建议、文本分析、语法检查类的nlp, 分块最好小一些，因为它比较细致。 如果是文章翻译、文本摘要、问答任务等跟整体相关度更大的业务，可以更大些。
-
doctran 等的介入 分割的同时， 我们就可以做各种手脚了，哈哈。比如通过
EmbeddingsRedundantFilter可以帮助我们识别相似的文档，以节省时间空间。doctran可以帮助我们在分割的同时，完成翻译，为出海项目服务。我们还可以为Document对象提供更多的文件或块元数据，方便描述或操作。假如我们在做问答类项目的时候，我们可以使用doctran将文档转化为Q/A格式
所以，当文档以不同的格式被load进来后(Document)，文档转换对文本进行分割，同时还可以附加一些操作，准备好这些数据块(Node), 以后面的索引(index)和检索服务。
-
文本嵌入
文本块有了， 结合LLM来做嵌入(Embeddings)，因为大模型里的数据计算不是基于文本的， 而是基于向量的，在这里我们可以简单理解为将文本数据转换为数值表示，更方便处理和比较。
如果大家还不太熟悉，建议先看看Embedding相关的文档，我们需要有向量空间思维才好往下继续。下图大概介绍了比如大模型NPL任务中的分类问题，其实任务概念或事物都会是多维空间中的一个点，我们可以用向量表示，越接近，它们的向量就越接近...
LangChain为我们提供了抽象接口，方便对接各大模型的Embedding接口。
ini
from langchain.embeddings import OpenAIEmbeddings
embeddings_model = OpenAIEmbeddings()它支持两种方法，第一种是embed_documents方法，为文档做嵌入，另一种是embed_query 方法，只接收一个文件，快速为用户构建基于此文件的搜索查询。
实例
embed_documents 主要负责对文档进行embedding并存储。
ini
embeddings = embeddings_model.embed_documents( [ "您好，有什么需要帮忙的吗？", "我上午订的吐气场眉包间，但是下午有事，打不了", "您的手机号是？", "13312341234", ])数组里面是文档哈。
ini
embedded_query = embeddings_model.embed_query("用户要退的包间是哪个？")嵌入的存储
嵌入的计算需要一些时间和token开销，我们将大模型返回的结果存储到内存或向量数据库中，以免重复计算。下次再来时， 直接读取。
- 缓存CacheBackedEmbeddings
会对文档进行hash处理，得到唯一hash值，做为ｋｅｙ， CacheBackedEmbeddings是key:value 存储，值就是向量值。
ini
# 导入内存存储，临时存储一下
from langchain.storage import InMemoryStore
# 创建一个实例
store = InMemoryStore()
# 导入 OpenAIEmbeddings CacheBackedEmbeddings
from langchain.embeddings import OpenAIEmbeddings, CacheBackedEmbeddings
# 创建一个OpenAIEmbeddings的实例，做文档嵌入
underlying_embeddings = OpenAIEmbeddings()
# 使用CacheBackedEmbeddings 创建一个embedder 实例，提供缓存功能，和存储空间
embedder = CacheBackedEmbeddings.from_bytes_store( underlying_embeddings, # 负责嵌入
store, # 嵌入的存储
namespace=underlying_embeddings.model # 区分别的存储的命名空间名字，这里以模型名来)
# embed_documents 接受多个文档进行embedding计算
embeddings = embedder.embed_documents(["打麻将不", "麻和友为你服务"])- 向量数据库
LangChain支持多种向量数据库，我比较常用的是Chroma。
检索器
LagnChain提供了Retriever，为用户的查询提供检索的入口，我们来介绍下向量检索器。
ini
# 添加OpenAI环境变量
import os
os.environ["OPENAI_API_KEY"] = 'Your OpenAI Key'
# 文本加载器
from langchain.document_loaders import TextLoader
loader = TextLoader('./南昌麻将算子大全.txt', encoding='utf8')
# 创建索引
from langchain.indexes import VectorstoreIndexCreator
index = VectorstoreIndexCreator().from_loaders([loader])
# 定义查询字符串, 使用创建的索引执行查询
query = "庄家58四十霸王精吊德国大七队多少钱？"
result = index.query(query)
print(result) # 打印查询结果结果是 每年157，总计471个 VectorstoreIndexCreator封装了vectorstore、embedding及text_splitter所以用起来非常方便。
如果要指定，也可以
ini
from langchain.text_splitter import CharacterTextSplitter
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
index_creator = VectorstoreIndexCreator(
vectorstore_cls=Chroma,
embedding=OpenAIEmbeddings(),
text_splitter=CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
)在上面的代码里，我们用到了索引的概念，它帮助我们更好， 更高效的管理和定位文档信息。
总结
RAG开发的流程更加清晰- 对分块的参数和意义更加了解
- 结合自助模牌室运营，让我们可以更好的理解怎么将RAG 和行业结合。
参考资料
- 黄佳老师的LangChain实战课