RAG进阶 多用户多文档

我在LlamaIndex和LangChain框架学习中，都有玩过RAG。最近准备开个RAG进阶系统，一起学习AI, 一起成长。欢迎点赞，留言交流。

Advanced RAG 系列：

RAG 进阶 LlamaIndex多文档

RAG 进阶 多模态图片检索

RAG 进阶 LlamaIndex多文档

前言

Advanced RAG 系列学习了先是单个文档的半结构数据抽取table 、图片，再是多文档Object Index关联。本文最后一篇， 聊聊多用户。在基于AI构建产品时，我们要考虑多用户，比如不同的权限。我们一起来学习下多用户多文档这一较复杂的RAG知识库。

Per-User Retrieval

LangChain官方有一篇Per-User Retrieval，我们可以理解为每个用户的检索或基于用户的检索。当RAG检索前面加了用户这个产品维度最重要的参数时，有什么约束？

上图是Naive RAG，也就是最简单的RAG工作流。Naive RAG，相对于Advanced RAG，前者简单，但是性能不好。后者虽然复杂，但性能和准确度更佳。这得益于Advanced RAG 抽离了table 、image 等半结构数据、多文档关联索引等。

我们先基于上图，来回忆一下某个文档要被索引需要做以下工作：

• 文档的读取 Document
• 数据的拆分 Chunk
• 文档的嵌入 Embedding
• 向量存储 Vector Store
• 检索器 Retriever

当我们打理过很多次RAG应用后，对上面的流程已经很熟悉。   当我们再考虑多用户的情况时，文档和向量数据，可能仅对有权限的用户可见，而对其它用户不可见，我们一般是在Vector Store中对用户的数据进行隔离。比如提供namespace，就能解决。   我们以Pincone向量数据库为例，看看如何为多用户构建向量数据库和索引，实现多用户检索。

实战

• 安装依赖

!pip install langchain openai pinecone-client pypdf tiktoken -q -U

pypdf，我们会对pdf文件做索引。tiktoken做分词。

• pinecone 准备

创建了一个multi-users索引数据库。维度和模型相关，OpenAI是1536。其它使用默认的就好，点击确认创建。

我们还可以在API KEYS 找到Pinecone api_key，等下会用到。

• pinecone 和 openai 环境变量设置

from google.colab import userdata PINECONE_API_KEY=userdata.get('PINECONE_API_KEY') 
PINECONE_ENVIRONMENT="us-west4-gcp" 
PINECONE_INDEX="multi-users" 
OPENAI_API_KEY=userdata.get('OPENAI_API_KEY') 
import os 
os.environ['OPENAI_API_KEY'] = OPENAI_API_KEY

  我们将pinecone的一些数据存放在colab的secret里。

• 引入需要的库

import pinecone  #向量数据库
# embedding
from langchain.embeddings.openai import OpenAIEmbeddings 
# langchain 的pinecone
from langchain.vectorstores import Pinecone

• 实例化向量数据库

# 初始化pinecone
pinecone.init(api_key=PINECONE_API_KEY, environment=PINECONE_ENVIRONMENT) 
# 索引
index = pinecone.Index(PINECONE_INDEX) 
# 嵌入
embeddings = OpenAIEmbeddings(api_key=OPENAI_API_KEY) 
# 生成向量数据库实例
vectorstore = Pinecone(index, embeddings, "text")

• 下载两份pdf文件，指定不同的命名空间

!wget -O uniswap-v3.pdf https://uniswap.org/whitepaper-v3.pdf
!wget -O electronic-health-records.pdf https://med.stanford.edu/content/dam/sm/ehr/documents/SM-EHR-White-Papers_v12.pdf
USER_1 = "Alex" 
USER_2 = "Lucy"

uniswap白皮书属于Lucy的专家知识库chatbot；electronic-health-records属于Alex。

• 将文档放入向量数据库，指定namespace

# PyPDFLoader
from langchain.document_loaders import PyPDFLoader 
# 加载白皮书
loader = PyPDFLoader("uniswap-v3.pdf")
# 使用默认的分割
documents = loader.load_and_split() 
# 放入向量数据库，指定命名空间为USER_2 目标达到了
vectorstore.add_documents(documents, namespace=USER_2)

loader = PyPDFLoader("electronic-health-records.pdf") 

documents = loader.load_and_split() 

vectorstore.add_documents(documents, namespace=USER_1)

• 提问, 这个问题只有Lucy问才能回答

question = "What is uniswap?"

# 检索器
from langchain.schema.vectorstore import VectorStoreRetriever 

from langchain.llms import OpenAI
# Memory
from langchain.memory import ConversationBufferMemory 
# QAPrompt
from langchain.chains.conversational_retrieval.prompts import QA_PROMPT
# QA chain
from langchain.chains.question_answering import load_qa_chain 

from langchain.chains import ConversationalRetrievalChain

• 检索

retriever = vectorstore.as_retriever(search_type="similarity_score_threshold", search_kwargs={"namespace": USER_1, "score_threshold": .9}) 
relevant_documents = retriever.get_relevant_documents(question) 

relevant_documents

这里查不出内容，因为USER_1是Alex,没有uniswap的权限。

retriever = vectorstore.as_retriever(search_type="similarity_score_threshold", search_kwargs={"namespace": USER_2, "score_threshold": .9}) 
relevant_documents = retriever.get_relevant_documents(question) 

relevant_documents

换成USER_2，结果就有了， 多用户权限检索我们实现了。

总结

• pinecone向量数据库支持namespace, 用于多用户权限隔离

参考资料

• LangChain文档

• 【有腔调的RAG】04 支持多用户多文档的向量存储与检索

• 代码\]([Advanced-RAG/04_langchain_per_user_retrieval.ipynb at main · sugarforever/Advanced-RAG (github.com)](https://link.juejin.cn?target=https%3A%2F%2Fgithub.com%2Fsugarforever%2FAdvanced-RAG%2Fblob%2Fmain%2F04_langchain_per_user_retrieval.ipynb "https://github.com/sugarforever/Advanced-RAG/blob/main/04_langchain_per_user_retrieval.ipynb"))