Ukládání a vyhledávání RAG pomocí vektorových databází

Vývoj LLM aplikací s LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Kroky vývoje RAG

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

Zaměření tohoto videa: ukládání a vyhledávání

Co je vektorová databáze a proč ji potřebuji?

Typický RAG pracovní postup.

Jakou vektorovou databázi zvolit?

Přehled dostupných vektorových databází rozdělených podle open source a uzavřeného zdrojového kódu a také podle toho, zda jde o dedikované vektorové databáze nebo databáze s podporou této operace.

Je třeba zvážit:

Open source vs. uzavřený zdrojový kód (licence)
Cloud vs. on-premises
Lehkost vs. výkon

¹ Image Credit: Yingjun Wu

Seznamte se s dokumenty...

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"}
    )
]

Nastavení vektorové databáze Chroma

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}
)

Sestavení šablony promptu

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)])

Sestavení celého řetězce!

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!

Pojďme si procvičit!

Vývoj LLM aplikací s LangChain