Împărțirea datelor externe pentru recuperare

Developing LLM Applications with LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Etapele dezvoltării RAG

Fluxul general RAG: un încărcător de documente, un splitter și procesul de stocare și recuperare.

Împărțirea documentelor: împărțirea în fragmente
Fragmentarea documentelor pentru a se încadra în fereastra de context a unui LLM

Să ne gândim la împărțire...

Primul paragraf din introducerea articolului Attention is All You Need.

Linia 1:

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

Linia 2:

in particular, have been firmly established as state of the art approaches in sequence modeling and

¹ https://arxiv.org/abs/1706.03762

Suprapunerea fragmentelor

Primul paragraf din introducerea articolului Attention is All You Need împărțit în două fragmente cu suprapunere.

Care este cea mai bună strategie de împărțire a documentelor?

Cuvântul „context" împărțit în litere individuale.

CharacterTextSplitter
RecursiveCharacterTextSplitter
Multe altele

¹ Wikipedia Commons

quote = '''One machine can do the work of fifty ordinary humans.\nNo machine can do
the work of one extraordinary human.'''

len(quote)

chunk_size = 24
chunk_overlap = 3

¹ Elbert Hubbard

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]

Se împarte după separator, deci < chunk_size, dar nu reușește întotdeauna!

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)

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.']

Împărțire după paragraf: "\n\n"
Împărțire după propoziție: "\n"
Împărțire după cuvinte: " "

RecursiveCharacterTextSplitter cu 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 [...]

Să exersăm!

Developing LLM Applications with LangChain