构建 LCEL 检索链

使用 LangChain 的 Retrieval Augmented Generation (RAG)

Meri Nova

Machine Learning Engineer

为检索准备数据

文档分块已存储。

RAG 的 LCEL 简介

用户输入。

RAG 的 LCEL 简介

用户输入通过 RunnablePassthrough 进入链，并被赋给"question"。

RAG 的 LCEL 简介

使用输入查询检索器，并赋给"context"。

RAG 的 LCEL 简介

将"context"和"question"集成到提示模板中。

RAG 的 LCEL 简介

将提示集成到 LLM（模型）以生成输出。

RAG 的 LCEL 简介

将模型输出传递给解析器。

实例化检索器

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


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

创建提示模板

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)

构建 LCEL 检索链

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


chain = (

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

    | prompt

    | llm

    | StrOutputParser()

)

调用检索链

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

- 顶级表现：RAG 模型在开放域问答上创下新纪录...
- 更佳生成：RAG 模型产出更具体、多样、事实更准确的语言...
- 动态知识利用：非参数化记忆让 RAG 模型能够访问并...

¡Vamos a practicar!

使用 LangChain 的 Retrieval Augmented Generation (RAG)