Разбиение внешних данных для извлечения

Разработка LLM-приложений с помощью LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Этапы разработки RAG

Общий рабочий процесс RAG: загрузчик документов, разбиватель документов, а также процесс хранения и извлечения.

  • Разбиение документов: разделение на фрагменты
  • Разбивайте документы так, чтобы они помещались в контекстное окно LLM
Разработка LLM-приложений с помощью LangChain

Думаем о разбиении...

Первый абзац введения статьи «Attention is All You Need».

Строка 1:

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

Строка 2:

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

Перекрытие фрагментов

Первый абзац введения статьи «Attention is All You Need», разбитый на два фрагмента с перекрытием.

Разработка LLM-приложений с помощью LangChain

Какая стратегия разбиения документов лучшая?

Слово «context», разбитое на отдельные символы.

 

  1. CharacterTextSplitter
  2. RecursiveCharacterTextSplitter
  3. Многие другие
1 Wikipedia Commons
Разработка LLM-приложений с помощью 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
Разработка LLM-приложений с помощью 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]
  • Разбиение по разделителю: < chunk_size, но не всегда гарантировано!
Разработка LLM-приложений с помощью 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)
Разработка LLM-приложений с помощью 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. Попытка разбить по абзацам: "\n\n"
  2. Попытка разбить по предложениям: "\n"
  3. Попытка разбить по словам: " "
Разработка LLM-приложений с помощью LangChain

RecursiveCharacterTextSplitter для работы с 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 [...]
Разработка LLM-приложений с помощью LangChain

Давайте потренируемся!

Разработка LLM-приложений с помощью LangChain

Preparing Video For Download...