Dela upp extern data för hämtning

Utveckla LLM-applikationer med LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Steg i RAG-utveckling

Det allmänna RAG-arbetsflödet: en dokumentladdare, en dokumentdelare och lagrings- och hämtningsprocessen.

  • Dokumentdelning: dela upp dokument i chunk
  • Dela upp dokument för att passa in i ett LLMs kontextfönster
Utveckla LLM-applikationer med LangChain

Tankarna kring delning...

Det första stycket från inledningen i artikeln Attention is All You Need.

Rad 1:

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

Rad 2:

in particular, have been firmly established as state of the art approaches in sequence modeling and
1 https://arxiv.org/abs/1706.03762
Utveckla LLM-applikationer med LangChain

Chunk-överlapp

Det första stycket från inledningen i artikeln Attention is All You Need delat i två chunk med chunk-överlapp.

Utveckla LLM-applikationer med LangChain

Vilken dokumentdelningsstrategi är bäst?

Ordet "context" delat i enskilda bokstäver.

 

  1. CharacterTextSplitter
  2. RecursiveCharacterTextSplitter
  3. Många andra
1 Wikipedia Commons
Utveckla LLM-applikationer med 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
Utveckla LLM-applikationer med 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]
  • Delar vid separator så att < chunk_size, men lyckas inte alltid!
Utveckla LLM-applikationer med 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)
Utveckla LLM-applikationer med 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. Försök dela vid stycke: "\n\n"
  2. Försök dela vid mening: "\n"
  3. Försök dela vid ord: " "
Utveckla LLM-applikationer med LangChain

RecursiveCharacterTextSplitter med 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 [...]
Utveckla LLM-applikationer med LangChain

Nu kör vi en övning!

Utveckla LLM-applikationer med LangChain

Preparing Video For Download...