Хранение и поиск в RAG с использованием векторных баз данных

Разработка LLM-приложений с помощью LangChain

Jonathan Bennion

AI Engineer & LangChain Contributor

Этапы разработки RAG

Общий рабочий процесс RAG: загрузчик документов, разделитель документов, а также процесс хранения и поиска.

Тема этого видео: хранение и поиск

Что такое векторная база данных и зачем она нужна?

Типичный рабочий процесс RAG.

Какую векторную базу данных выбрать?

Обзор доступных векторных баз данных: разделение по принципу открытого и закрытого кода, а также по тому, являются ли они специализированными векторными базами или просто поддерживают эту операцию.

На что обратить внимание:

Открытый или закрытый исходный код (лицензия)
Облако или локальное развёртывание
Лёгкое или мощное решение

¹ Источник изображения: Yingjun Wu

Знакомство с документами...

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"}
    )
]

Настройка векторной базы данных Chroma

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}
)

Создание шаблона промпта

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)])

Собираем всё вместе!

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!

Давайте потренируемся!

Разработка LLM-приложений с помощью LangChain