벡터 데이터베이스로 RAG 저장 및 검색

LangChain으로 LLM 애플리케이션 개발하기

Jonathan Bennion

AI Engineer & LangChain Contributor

RAG 개발 단계

일반적인 RAG 워크플로: 문서 로더, 문서 분할기, 저장 및 검색 프로세스.

이 비디오의 초점: 저장과 검색

벡터 데이터베이스란? 왜 필요한가요?

전형적인 RAG 워크플로.

어떤 벡터 DB를 선택할까?

오픈 소스/상용, 전용/지원 여부로 구분된 다양한 벡터 데이터베이스 현황.

고려 사항:

오픈 소스 vs. 상용(라이선스)
클라우드 vs. 온프레미스
경량 vs. 강력

¹ 이미지 출처: Yingjun Wu

문서를 살펴봅시다

docs

[
    Document(
        page_content="In all marketing copy, TechStack should always be written with the T and S
        capitalized. Incorrect: techstack, Techstack, etc.",
        metadata={"guideline": "brand-capitalization"}
    ),
    Document(
        page_content="Our users should be referred to as techies in both internal and external
        communications.",
        metadata={"guideline": "referring-to-users"}
    )
]

Chroma 벡터 DB 설정

from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma

embedding_function = OpenAIEmbeddings(api_key=openai_api_key, model='text-embedding-3-small')


vectorstore = Chroma.from_documents(
    docs,
    embedding=embedding_function,
    persist_directory="path/to/directory"
)


retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 2}
)

프롬프트 템플릿 만들기

from langchain_core.prompts import ChatPromptTemplate

message = """
Review and fix the following TechStack marketing copy with the following guidelines in consideration:

Guidelines:
{guidelines}

Copy:
{copy}

Fixed Copy:
"""

prompt_template = ChatPromptTemplate.from_messages([("human", message)])

모두 연결하기

from langchain_core.runnables import RunnablePassthrough

rag_chain = ({"guidelines": retriever, "copy": RunnablePassthrough()}
             | prompt_template
             | llm)


response = rag_chain.invoke("Here at techstack, our users are the best in the world!")

print(response.content)

Here at TechStack, our techies are the best in the world!

Ayo berlatih!

LangChain으로 LLM 애플리케이션 개발하기