LangChain实战:向量化存储与实际应用案例
创作时间:
作者:
@小白创作中心
LangChain实战:向量化存储与实际应用案例
引用
1
来源
1.
https://www.cnblogs.com/wzkicu/p/18444065
向量存储(Vector stores)是AI领域中一个重要的技术组件,主要用于存储和索引由AI模型生成的向量嵌入。本文将详细介绍如何使用LangChain中的Chroma向量数据库,通过Loader加载文档,使用OpenAIEmbeddings进行嵌入,并与ChatOpenAI和ChatGLM3进行集成。同时,还将展示如何使用Flask开发一个简单的API服务来查询和检索信息。
背景描述
向量存储,也称为向量数据库,是专门设计用于高效存储和索引由人工智能模型生成的向量嵌入的数据库。这些嵌入是表示数据点在多维空间中的高维向量,捕获复杂的语义关系。向量数据库擅长处理大量的高维嵌入数据,这在大型语言模型(LLMs)如GPT、Bard、Claude和LLaMA的背景下尤其有用。
安装依赖
pip install chromadb
# pip install faiss-cpu 的代码也差不多 都是向量数据库
编写代码
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.vectorstores import Chroma
# Load the document, split it into chunks, embed each chunk and load it into the vector store.
raw_documents = TextLoader('./state_of_the_union.txt').load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
documents = text_splitter.split_documents(raw_documents)
db = Chroma.from_documents(documents, OpenAIEmbeddings())
# similarity search
query = "What did the president say about Ketanji Brown Jackson"
docs = db.similarity_search(query)
print(docs[0].page_content)
# similarity search by vector
embedding_vector = OpenAIEmbeddings().embed_query(query)
docs = db.similarity_search_by_vector(embedding_vector)
print(docs[0].page_content)
实际案例
有一个系统的构建说明说,,类似于需求书类型的内容,大约10万字。
目前我想询问当中的一些内容,比如在我开发系统中,可以提问:某某功能介绍一下。
此时,要回答当时建设需求中的文本内容,通过大模型进行检索和增强,来实现。
实现了如下的一些内容:
- 通过DocumentLoader 加载了 word 文档
- 通过 OpenAI Embedding 或 开源的 text2vec-base-chinese 对数据进行向量化处理
- 持久化向量过的内容
- 利用LangChain开发整体的功能
- 使用了 ChatOpenAI,也配置了 ChatGLM3 的方式(本地部署安全且免费)
- 简易的Flask服务,开发一个GET的方式请求,方便接口调用并返回。
from langchain_community.document_loaders import UnstructuredWordDocumentLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OpenAIEmbeddings, HuggingFaceEmbeddings
from langchain.chains import RetrievalQA
from langchain_community.llms import OpenAI
from langchain_community.llms.chatglm3 import ChatGLM3
from langchain_community.document_loaders import Docx2txtLoader
from langchain_core.output_parsers import JsonOutputParser
from operator import itemgetter
from langchain_core.messages import AIMessage, HumanMessage, get_buffer_string
from langchain_core.prompts import format_document
from langchain_core.runnables import RunnableParallel, RunnablePassthrough, RunnableLambda
from langchain_openai.chat_models import ChatOpenAI
from langchain_openai import OpenAIEmbeddings
from langchain.prompts.prompt import PromptTemplate
from langchain.prompts.chat import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.vectorstores import DocArrayInMemorySearch
from langchain.memory import ConversationBufferMemory
import langchain.tools
from flask import Flask
need_embedding = False
persist_directory = 'chroma'
if need_embedding:
# 加载Word文档并提取文本
# loader = UnstructuredWordDocumentLoader("./short.docx")
loader = Docx2txtLoader("./short.docx")
documents = loader.load()
# 将文本分割成块
text_splitter = CharacterTextSplitter(chunk_size=2000, chunk_overlap=500)
texts = text_splitter.split_documents(documents)
# 初始化向量存储和嵌入
# embeddings = OpenAIEmbeddings()
embeddings = HuggingFaceEmbeddings(model_name='./text2vec-base-chinese')
db = Chroma.from_documents(texts, embeddings, persist_directory=persist_directory)
# 保存向量存储
db.persist()
else:
# 加载向量存储
# embeddings = OpenAIEmbeddings()
embeddings = HuggingFaceEmbeddings(model_name='./text2vec-base-chinese')
db = Chroma(persist_directory=persist_directory, embedding_function=embeddings)
# 定义检索器和生成器
retriever = db.as_retriever()
# qa = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=retriever)
#
# # 处理用户查询
# query = "全息智能感知"
# result = qa.run(query)
# print(result)
# =====================================
_template = """Given the following conversation and a follow up question, rephrase the follow up question to be a standalone question, in its orignal language.
Chat History:
{chat_history}
Follow Up Input: {question}
Standalone question:"""
CONDENSE_QUESTION_PROMPT = PromptTemplate.from_template(_template)
template = """Answer the question based only on the following context, 请用中文回复:
{context}
Question: {question}
"""
ANSWER_PROMPT = ChatPromptTemplate.from_template(template)
DEFAULT_DOCUMENT_PROMPT = PromptTemplate.from_template(template="{page_content}")
def llm():
result = ChatOpenAI(temperature=0.8)
# endpoint_url = "http://10.10.7.160:8000/v1/chat/completions"
# result = ChatGLM3(
# endpoint_url=endpoint_url,
# max_tokens=2048,
# )
return result
def _combine_documents(
docs, document_prompt=DEFAULT_DOCUMENT_PROMPT, document_separator="\n\n"
):
doc_strings = [format_document(doc, document_prompt) for doc in docs]
return document_separator.join(doc_strings)
_inputs = RunnableParallel(
standalone_question=RunnablePassthrough.assign(
chat_history=lambda x: get_buffer_string(x["chat_history"])
)
| CONDENSE_QUESTION_PROMPT
| llm()
| StrOutputParser(),
)
memory = ConversationBufferMemory(
return_messages=True, output_key="answer", input_key="question"
)
# First we add a step to load memory
# This adds a "memory" key to the input object
loaded_memory = RunnablePassthrough.assign(
chat_history=RunnableLambda(memory.load_memory_variables) | itemgetter("history"),
)
# Now we calculate the standalone question
standalone_question = {
"standalone_question": {
"question": lambda x: x["question"],
"chat_history": lambda x: get_buffer_string(x["chat_history"]),
}
| CONDENSE_QUESTION_PROMPT
| llm()
| StrOutputParser(),
}
# Now we retrieve the documents
retrieved_documents = {
"docs": itemgetter("standalone_question") | retriever,
"question": lambda x: x["standalone_question"],
}
# Now we construct the inputs for the final prompt
final_inputs = {
"context": lambda x: _combine_documents(x["docs"]),
"question": itemgetter("question"),
}
# And finally, we do the part that returns the answers
answer = {
"answer": final_inputs | ANSWER_PROMPT | llm(),
"docs": itemgetter("docs"),
}
# And now we put it all together!
final_chain = loaded_memory | standalone_question | retrieved_documents | answer
# flask
app = Flask(__name__)
@app.route("/get/<question>")
def get(question):
inputs = {"question": f"{question}"}
result = final_chain.invoke(inputs)
# print("=============================")
print(f"result1: {result}")
return str(result['answer'])
app.run(host='0.0.0.0', port=8888, debug=True)
热门推荐
探秘古典神话:东圣王公——从东皇太一到东华帝君的传奇演变
电脑缝纫机无剪线声音问题原因及解决方案
鸡血的功效与作用、禁忌和食用方法
火影中堪比血继限界的8个秘术:“爆遁”和水化之术都被雷遁克制
牙裂了是留着还是拔了?一文详解牙裂处理方案
业财融合时代,财务人必备的 5 大能力清单
东野圭吾:《白夜行》——探寻人性的深渊
贵州荔波旅游攻略:从贵阳出发的完美行程规划
企业股权融资:从筹备到落地的全流程解析
2025年美妆行业现状分析:部分美妆成分使用受限
农业用电费用全解析:从安装到电价的详细指南
感冒了还能进行入职体检吗?医生建议这样做
体检查出甲状腺结节后,什么情况下需要做穿刺活检?
2025年中国特钢带钢行业发展历程、产业链、发展现状及未来趋势分析
超全电线电缆知识点总结!这些你都了解吗?
打响颈椎保卫战,别让它未老先衰
个体转公司怎么办手续:详细流程与注意事项
举例说明大学助学金怎么申请何时发放
如何理解中国在美国留学生人数的现状与趋势
量子计算机真能破解比特币?全球紧急启动抗量子盾牌防御
介电强度测试
七千元预算内电脑主机配置指南
团队成员如何着装
手机照片储存位置查看指南:从系统设置到第三方应用的全方位解决方案
电气工程师面试前需要做些什么准备?
术后大便拉不出来怎么办
万国觉醒公告栏指南:功能、类型及最佳实践
含钾量是香蕉的12倍!建议一周吃2次,一补钾、二养肝,三强免疫
脸上肉多怎么减下去
孙悟空师傅是谁:揭秘《西游记》中的菩提祖师