Przechowywanie i pobieranie danych RAG przy użyciu baz wektorowych

Tworzenie aplikacji LLM z LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Etapy tworzenia systemu RAG

Ogólny przepływ pracy RAG: ładowanie dokumentów, podział dokumentów oraz proces przechowywania i pobierania.

Temat tego filmu: przechowywanie i pobieranie

Czym jest baza wektorowa i do czego służy?

Typowy przepływ pracy RAG.

Którą bazę wektorową wybrać?

Przegląd dostępnych baz wektorowych z podziałem na open source i closed source oraz na dedykowane bazy wektorowe i rozwiązania ze wsparciem dla tego typu operacji.

Należy wziąć pod uwagę:

Open source vs. closed source (licencja)
Chmura vs. infrastruktura lokalna
Lekkie vs. wydajne

¹ Image Credit: Yingjun Wu

Poznajmy 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"}
    )
]

Konfiguracja bazy wektorowej 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}
)

Tworzenie szablonu 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)])

Łączenie wszystkiego w całość!

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!

Czas na ćwiczenia!

Tworzenie aplikacji LLM z LangChain