RAG-lagring och hämtning med vektordatabaser

Utveckla LLM-applikationer med LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

RAG-utvecklingssteg

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

Fokus i den här videon: lagring och hämtning

Vad är en vektordatabas och varför behöver jag en?

Ett typiskt RAG-arbetsflöde.

Vilken vektordatabas ska jag använda?

Landskapet av tillgängliga vektordatabaser, uppdelat efter öppen källkod och sluten källkod, samt om de är dedikerade vektordatabaser eller bara stöder den operationen.

Värt att överväga:

Öppen källkod vs. sluten källkod (licens)
Molnbaserad vs. lokal installation
Lättviktig vs. kraftfull

¹ Bildkälla: Yingjun Wu

Bekanta dig med dokumenten...

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"}
    )
]

Konfigurera en Chroma-vektordatabas

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}
)

Bygg en promptmall

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)])

Sätt ihop kedjan!

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!

Nu kör vi en övning!

Utveckla LLM-applikationer med LangChain