LCEL検索チェーンの構築

LangChain による検索拡張生成（RAG）

Meri Nova

Machine Learning Engineer

検索のためのデータ準備

ドキュメントチャンクが保存される様子。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

ユーザー入力。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

ユーザー入力がRunnablePassthroughを経由してチェーンに入り、"question"に割り当てられる様子。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

入力がリトリーバーのクエリに使用され、"context"に割り当てられる様子。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

"context"と"question"がプロンプトテンプレートに統合される様子。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

プロンプトがLLM（モデル）に統合され、出力が生成される様子。

LangChain による検索拡張生成（RAG）

RAG向けLCEL入門

モデルの出力がパーサーに渡される様子。

LangChain による検索拡張生成（RAG）

リトリーバーのインスタンス化

vector_store = Chroma.from_documents(
    documents=chunks, 
    embedding=embedding_model
)


retriever = vector_store.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2}
)
LangChain による検索拡張生成（RAG）

プロンプトテンプレートの作成

from langchain_core.prompts import ChatPromptTemplate


prompt = ChatPromptTemplate.from_template("""
Use the following pieces of context to answer the question at the end.
If you don't know the answer, say that you don't know.
Context: {context}
Question: {question}
""")

llm = ChatOpenAI(model="gpt-4o-mini", api_key="...", temperature=0)
LangChain による検索拡張生成（RAG）

LCEL検索チェーンの構築

from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser


chain = (

    {"context": retriever, "question": RunnablePassthrough()}

    | prompt

    | llm

    | StrOutputParser()

)
LangChain による検索拡張生成（RAG）

検索チェーンの実行

result = chain.invoke({"question": "What are the key findings or results presented in the paper?"})
print(result)

- Top Performance: RAG models set new records on open-domain question answering tasks...
- Better Generation: RAG models produce more specific, diverse, and factual language...
- Dynamic Knowledge Use: The non-parametric memory allows RAG models to access and ...
LangChain による検索拡張生成（RAG）

さあ、練習しましょう！

LangChain による検索拡張生成（RAG）

Preparing Video For Download...