闲来无事，想研究一下RAG的实现流程，看网上用langchain的比较多，我自己在下面也跑了跑，代码很简单，以次博客记录一下，方便回顾
langchain
LangChain 是一个基于大型语言模型（LLM）开发应用程序的框架。LangChain 简化了LLM应用程序生命周期的每个阶段。
比如，在下面的实现中，LangChain可以将LLM 、提示词模板 、检索器组合在一起快速的完成检索增强整个流程，而不需要你去关心底层具体是怎么实现的。
代码demo
实现思路：
- 加载文档，并对文档进行切分
- 将切分后的文档转化为向量，存储到向量库中
- 根据用户query去向量库中检索，找到最相关的回复，并拼接到prompt中
- 根据最新的prompt调用大模型产生增强回复
加载文档 -> 切分文档 -> 创建向量数据库 -> 执行相似度搜索 -> 构建并增强 prompt -> 使用模型生成回答
python
import os
from openai import OpenAI
import requests
from langchain.text_splitter import CharacterTextSplitter
from weaviate.embedded import EmbeddedOptions
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser
from langchain_community.document_loaders import TextLoader
from langchain_community.chat_models import ChatOpenAI
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.schema import Document
from langchain_core.messages import HumanMessage, SystemMessage
"""
实现一
"""
def method_one(vectorstore,llm,query):
# 根据用户query进行检索，并将检索结果拼接到prompt中
def augment_prompt(query: str):
# 获取top2的文本片段
results = vectorstore.similarity_search(query, k=1)
source_knowledge = "\n\n".join([x.page_content for x in results])
# 构建prompt
augmented_prompt = f"""你叫david,你需要解答xxx问题
###参考样例###
{source_knowledge}
"""
return augmented_prompt
prompt=augment_prompt(query)
print(prompt)
# 封装输入
messages = [
SystemMessage(content=prompt),
HumanMessage(content=query),
]
# 生成检索增强回复
res = llm.invoke(messages)
return res.content
"""
实现二
"""
def method_two(vectorstore,llm,query):
# 将 vectorstore 转换为一个检索器
retriever = vectorstore.as_retriever()
# 定义提示模板
template = """你叫david,你需要解答xxx问题
###参考样例###
{context}
###用户问题###
{question}
"""
prompt = ChatPromptTemplate.from_template(template)
print(prompt)
# LangChain 提供了一个高度模块化和可组合的框架就是链，使得你可以根据任务的特性自定义每个组件，并将它们按需组合成执行流程
# 定义一个执行流程链，包含如下组件
# {"context": retriever, "question": RunnablePassthrough()}：用来将上下文（通过检索器获得）和用户问题传递给后续组件
# prompt里面的占位符与上述定义的context和question是要保持一致的
# StrOutputParser()：该组件用于解析模型的输出，将其转换为字符串格式
rag_chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt
| llm
| StrOutputParser()
)
response = rag_chain.invoke(query)
return response
if __name__=="__main__":
# 加载单个文档，这里只需要匹配单个文档里面的片段
path="../rag/faq.txt"
loader = TextLoader(path)
documents = loader.load()
# 如果需要加载多个文档，将上述path改为跟路径即可，然后通过下述两行代码对多个文档进行切分
# text_splitter = CharacterTextSplitter()
# doc = text_splitter.split_documents(documents)
# 切分文档，给定的文档内容主要是通过换行符分隔的
text = documents[0].page_content
chunks = [Document(page_content=chunk) for chunk in text.split("\n\n\n") if chunk.strip()]
# 将文档片段转化为向量，并存储到
# Chroma 是一个 开源的向量数据库，用于存储和检索向量嵌入
model_name = "../model/bge-base-zh-v1.5"
embedding = HuggingFaceEmbeddings(model_name=model_name)
vectorstore_hf = Chroma.from_documents(documents=chunks, embedding=embedding , collection_name="huggingface_embed")
vectorstore = Chroma.from_documents(chunks, embedding)
# 初始化对话模型
llm = ChatOpenAI(
openai_api_key="",
openai_api_base="",
model='qwen-max'
)
# 用户query
query = "今天天气如何？"
# 检索增强之后的回答
enhanced_result=method_one(vectorstore,llm,query)
# enhanced_result=method_two(vectorstore,llm,query)
print(enhanced_result)思考
- 在尝试中发现，文档的嵌入模型选择对匹配结果也影响很大
- 文档越规范越好切（不同的切分规则对检索和增强都有影响）