Rozdělení externích dat pro vyhledávání

Vývoj LLM aplikací s LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Kroky vývoje RAG

Obecný RAG pracovní postup: načítání dokumentů, rozdělení dokumentů a proces uložení a vyhledávání.

  • Rozdělení dokumentů: rozdělení dokumentu na chunky
  • Rozdělení dokumentů tak, aby se vešly do kontextového okna LLM
Vývoj LLM aplikací s LangChain

Přemýšlíme o rozdělování...

První odstavec úvodu článku Attention is All You Need.

Řádek 1:

Recurrent neural networks, long short-term memory [13] and gated recurrent [7] neural networks

Řádek 2:

in particular, have been firmly established as state of the art approaches in sequence modeling and
1 https://arxiv.org/abs/1706.03762
Vývoj LLM aplikací s LangChain

Překryv chunků

První odstavec úvodu článku Attention is All You Need rozdělený do dvou chunků s překryvem.

Vývoj LLM aplikací s LangChain

Jaká je nejlepší strategie rozdělování dokumentů?

Slovo „context" rozdělené na jednotlivá písmena.

 

  1. CharacterTextSplitter
  2. RecursiveCharacterTextSplitter
  3. Mnoho dalších
1 Wikipedia Commons
Vývoj LLM aplikací s LangChain
quote = '''One machine can do the work of fifty ordinary humans.\nNo machine can do
the work of one extraordinary human.'''

len(quote)

103

chunk_size = 24
chunk_overlap = 3
1 Elbert Hubbard
Vývoj LLM aplikací s LangChain
from langchain_text_splitters import CharacterTextSplitter


ct_splitter = CharacterTextSplitter(
    separator='.',
    chunk_size=chunk_size,
    chunk_overlap=chunk_overlap)


docs = ct_splitter.split_text(quote) 
print(docs)

print([len(doc) for doc in docs])

['One machine can do the work of fifty ordinary humans',
 'No machine can do the work of one extraordinary human']

[52, 53]
  • Rozdělení podle separátoru tak, aby < chunk_size, ale nemusí vždy uspět!
Vývoj LLM aplikací s LangChain
from langchain_text_splitters import RecursiveCharacterTextSplitter


rc_splitter = RecursiveCharacterTextSplitter(
    separators=["\n\n", "\n", " ", ""],
    chunk_size=chunk_size,
    chunk_overlap=chunk_overlap)


docs = rc_splitter.split_text(quote) 
print(docs)
Vývoj LLM aplikací s LangChain

RecursiveCharacterTextSplitter

  • separators=["\n\n", "\n", " ", ""]
['One machine can do the',
 'work of fifty ordinary',
 'humans.',
 'No machine can do the',
 'work of one',
 'extraordinary human.']
  1. Pokus o rozdělení podle odstavce: "\n\n"
  2. Pokus o rozdělení podle věty: "\n"
  3. Pokus o rozdělení podle slov: " "
Vývoj LLM aplikací s LangChain

RecursiveCharacterTextSplitter s HTML

from langchain_community.document_loaders import UnstructuredHTMLLoader 
from langchain_text_splitters import RecursiveCharacterTextSplitter


loader = UnstructuredHTMLLoader("white_house_executive_order_nov_2023.html")
data = loader.load()


rc_splitter = RecursiveCharacterTextSplitter(
    chunk_size=chunk_size,
    chunk_overlap=chunk_overlap,
    separators=['.'])


docs = rc_splitter.split_documents(data) 
print(docs[0])

Document(page_content="To search this site, enter a search term [...]
Vývoj LLM aplikací s LangChain

Pojďme si procvičit!

Vývoj LLM aplikací s LangChain

Preparing Video For Download...