基于LangChain的RAG开发-02-简单的RAG应用

摘要

RAG分为：检索、增强、生成。涉及到大模型、向量库、词嵌入模型。本文采用deepseek-chat模型作为大模型，以智谱AI的Embedding-3模型为词嵌入模型，采用Chroma向量库，记忆LangChain框架实现简单的RAG应用。

组件初始化

配置载入

代码如下：

import os
from dotenv import load_dotenv

load_dotenv()

api_key = os.getenv("api_key")
base_url = os.getenv("base_url")

zhipu_api = os.getenv("ZHIPU_API_KEY")
embedding_name = os.getenv("ZHIPU_EMBEDDING_MODEL")

代码解释：

1. 使用线上模型，从官网获取api_key等配置信息，并使用.env配置，使用dotenv加载，如上述代码所示。

组件初始化

代码如下：

from langchain_openai import ChatOpenAI
from langchain_community.embeddings import ZhipuAIEmbeddings
from langchain_chroma import Chroma

model = ChatOpenAI(model='deepseek-chat',api_key=api_key, base_url=base_url)
embeddings = ZhipuAIEmbeddings(api_key=zhipu_api, embedding=embedding_name)

vector_store = Chroma(
    collection_name="langchain_rag",
    embedding_function=embeddings,
    persist_directory = "./chroma_langchain_rag"
)

代码解释：

1. 大模型和词嵌入模型初始化代码可以在模型对应官网找到。
2. Chroma向量库的初始化中，collection_name是向量库名称，embedding_function是向量库词嵌入模型，persist_directory是向量库持久化地址。

文本处理与存储

文本加载

文本加载可加载PDF、网页、CSV、Markdown、Txt、JSON、HTML、MS Office等，可根据需要导入不同的文档加载工具。

代码如下：

from langchain_community.document_loaders import PyPDFLoader

file_path = "./基于深度学习的数据融合方法研究综述-张红.pdf"

loader = PyPDFLoader(file_path)
pages = []

for page in loader.lazy_load():
    pages.append(page)

代码解释：

1. 文档加载后pages是一个Document对象的列表，Document中有两个参数：metadata和page_content，文本的内容保存在page_content中，metadata主要保存文本来源、和其他文本的关系等信息。

文本分割

文本分割在RAG应用生成的结果中有重要影响，分割文本太短，可能将关键信息或关联信息分开，分割太长会被大模型token长度限制，具体内容此处不深入探究。此处使用RecursiveCharacterTextSplitter分割工具，除了该工具，LangChain还提供了大量其他分割工具以应对不同文本类型，如Markdown、代码等，此处不做过多赘述。

代码如下：

from langchain_text_splitters import RecursiveCharacterTextSplitter

# 采用按字符递归分割
doc_spliter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50,
    length_function=len,
    is_separator_regex=True
)
documents_after_split = doc_spliter.split_documents(pages)

代码解释：

1. 递归字符分割（RecursiveCharacterTextSplitter）用于将文本递归地分割成指定大小的块。它的核心思想是根据一组分隔符（separators）逐步分割文本，直到每个块的大小都符合预设的chunk_size。如果某个块仍然过大，它会继续递归地分割，直到满足条件为止。
2. chunk_size是预设文本块大小，chunk_overlap是每个文本块重叠大小，length_function是用于计算每个文本块大小的函数，is_separator_regex是否按照默认符号分割，默认为False。

文本存储

代码如下：

for doc in documents_after_split:
    vector_store.add_documents([doc])

代码解释：

1. 初始化的词向量库vector_store中有自带的函数add_documents用于保存分割的文本。正常代码应如下：vector_store.add_documents(documents_after_split)，但是在保存词向量时，需要调用词嵌入模型，而每个词嵌入模型可输入的文本列表大小有所限制，故采用此种方式。

检索器

代码如下：

retriever = vector_store.as_retriever(
    search_type = "mmr",
    search_kwargs = {"k": 6}
)

代码解释：

1. 使用向量库中自带的检索有两种形式：使用as_retriever函数、使用vector_store.similarity_search等函数。第二种形式有多种检索方式，可在源码中看，此种方式更加灵活。
2. as_retriever函数参数：search_type为检索类型，常用的有mmr、similarity_score_threshold、similarity，默认为similarity。search_kwargs为每种检索方式的参数。
3. 可通过retriever.invoke(query)的方式查看检索器的检索结果。

生成器

代码如下：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

system = (
    "你是一个基于深度学习的数据融合方法研究者，你能根据问题和上下文，给出相关的研究成果。"
    "根据以下相关内容给出问题的答案。"
    "如果你不知道，你就说不知道。"
    "保持对话的连贯性和简洁。"
    "同时要注意，你不能提供任何与问题无关的信息，并需要反思你所提供的信息适合符合逻辑、是否合理。"
    "\n\n"
    "{context}"
)

prompt = ChatPromptTemplate.from_messages([
    ("system",system),
    ("human","{query}"),
])

def format_doc(docs):
    return "\n\n".join([f"{doc.page_content}" for doc in docs])

rag_chain = (
    {"context": retriever | format_doc, "query": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

代码解释：

1. 设置模型的system_prompt将上下文内容放到该提示词中。

2. 使用ChatPromptTemplate构建用于链的提示词模板。

3. format_doc函数用于将上下文内容进行规范化，只使用Document对象中的page_content。

4. 使用链的方式连接，执行流程如下：

   {"context": retriever | format_doc, "query": RunnablePassthrough()}中，content用于将后续内容映射到Prompt中对应位置，retriever | format_doc用于根据用户的query通过reteriever获取知识库上下文，并通过format_doc进行规范化。query则是直接通过RunnablePassthrough()进入下一节点。

5. 使用rag_chain.invoke()和rag_chain.stream()等方法进行调用。