基于langchain，gradio实现法律AI小助手，法律RAG，通过倒入全部200+本法律手册、网页搜索内容结合LLM回答你的问题，并且给出对应的法规和网站

billvsme

已于 2023-10-20 16:15:05 修改

阅读量1.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： AI 文章标签： langchain 人工智能 python ai

于 2023-10-20 16:14:13 首次发布

本文链接：https://blog.youkuaiyun.com/billvsme/article/details/133948797

该项目创建了一个法律AI助手，利用Langchain、openai、chroma等工具，整合200+法律手册和网络搜索结果进行智能问答。用户可通过Web UI交互，系统返回相关法规及网站链接。已提供Demo和详细配置说明。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

项目地址

https://github.com/billvsme/law_ai

法律AI助手，法律RAG，通过倒入全部200+本法律手册、网页搜索内容结合LLM回答你的问题，并且给出对应的法规和网站，基于langchain，openai，chroma，duckduckgo-search, Gradio

Demo

https://law.vmaig.com/

用户名: username
密码: password

原理

基于langchain链式调用，先按条切分法律条文，导入向量数据Chroma。
问答相关问题时，先通过相似度搜索向量数据，获取相关法律条文，然后通过DuckDuckGo互联网搜索相关网页，然后合并法律条文和网页内容，对问题进行回答。

初始化init

LawLoader -> LawSplitter -> 向量数据库(Chroma)

提问

LawQAChain -> 向量数据库(Chroma) -> DuckDuckGo互联网搜索 -> stuff合并(LawStuffDocumentsChain) -> LLM -> callback异步输出

初始化运行环境

# 创建.env 文件
cp .env.example .env

# 修改.env 中的内容
vim .env

# 安装venv环境
python -m venv

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

billvsme

关注关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

LangChain面试内容整理-知识点23：实战案例：检索增强生成（RAG）系统

不务正业的猿

07-17

331

检索增强生成（Retrieval-Augmented Generation, RAG）是一种将LLM与外部知识库结合的方法，通过实时检索相关信息来辅助生成答案。这极大缓解了LLM“封闭知识”过期或不足的问题。

用 LangChain、Gradio 和 Vector Database 构建 YouTubeGPT——通过实用指南探索 GenAI 开发堆栈

数智笔记

03-28

1211

理解和使用 GenAI 堆栈的组件对于利用人工智能开发创新应用至关重要。这种模块化方法允许定制、可扩展，适应各种业务需求和目标。现在我们将导入包并定义一些全局变量。这些全局变量是必不可少的，因为它们将在应用程序的不同部分中被访问和修改。import osimport re在这一步中，我们定义处理视频内容的函数，包括下载、转录和文本处理。load_video该函数使用pytube库从 YouTube 视频下载音频。音频保存在 ‘/tmp/Youtube’，函数返回下载的音频文件路径。

2 条评论您还未登录，请先登录后发表或查看评论

5分钟打造基于 LangChain+Gradio 的个人知识助理

AAI666666的博客

05-16

614

一直在研究大模型的 langchain 编程和检索增强相关的内容，今天和大家分享一些**如何在5分钟之内利用 LangChain+Gradio 搭建一个自己的个人知识助理**。这听起来就很酷，我们不需要依赖其他第三方提供的服务，也可以保证自己数据的安全性，赶紧顺着本文往下看吧。

【RAG 项目实战】法律条文助手

最新发布

qq_43644023的博客

06-13

1193

通过这个项目，我们不仅构建了一个基于开源技术栈的劳动合同法法律助手，更重要的是，它为我们深入理解 RAG 系统的原理、构建流程以及性能优化提供了宝贵的实践经验。

快速搭建个人知识助理：LangChain+Gradio，只需5分钟！

m0_63171455的博客

02-20

903

今天和大家分享一些。这听起来就很酷，我们不需要依赖其他第三方提供的服务，也可以保证自己数据的安全性，赶紧顺着本文往下看吧。

使用LangChain调用Gadio工具，并且建立Gradio页面

05-29

使用LangChain调用Gadio工具，并且建立Gradio页面包含使用Langchain建立gpt agent 使用Langchain让GPT自动调用工具将输入输出透过Gadio生成可视化页面公网调用接口

用 LangChain 搭建基于 Notion 文档的 RAG 应用

ZILLIZ

11-30

636

在整个过程中，我们会将 LangChain 作为框架，Milvus 作为相似性搜索引擎，用二者搭建一个基本的检索增强生成（RAG）应用。在之前的文章中，我们已经介绍过 LangChain 中的“自查询”（Self-querying）。首先，我们定义元数据。本例中，描述即为“文档的主要部分”。在我们实例化自查询检索器前，现将 GPT 的温度（Temperature）设置为 0，并赋值给一个名为 llm 的变量。如果想要进行深入的探索，建议大家调整分块大小和重叠等参数，检查不同的参数值是如何影响查询结果的。

Langchain基础知识

g3230863的博客

09-27

181

langchain+gpt

Langchain极简教程: 九、一个完整的RAG案例

南宫贇的博客

12-17

1073

这是该LangChain极简入门系列的最后一讲。我们将利用过去9讲学习的知识，来完成一个具备完整功能集的LLM应用。该应用基于LangChain框架，以某PDF文件的内容为知识库，提供给用户基于该文件内容的问答能力。我们利用LangChain的QA chain，结合Chroma来实现PDF文档的语义化搜索。示例代码所引用的是，该PDF文档共84页。本讲的完整代码请参考安装必要的Python包下载PDF文件AWS Serverless Developer Guide!加载PDF文件len.')

大模型入门实战：通过 HuggingFace 调用 Llama3

python12345_的博客

01-10

1720

至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。

【Python技术】使用langchain、fastapi、gradio生成一个简单的智谱AI问答界面

子晓聊技术

09-01

876

前几天，智谱AI BigModel开放平台宣布：GLM-4-Flash 大模型API完全免费了，同时开启了GLM-4-Flash 限时免费微调活动。对想薅免费大模型羊毛的个人玩家，这绝对是个好消息，我们不仅可以免费使用BigModel开放平台上的GLM-4-Flash，也可以免费调用GLM-4-Flash的API了。这个代码写的比较简单，容易好懂，用了langchain、fastapi、 gradio、uvicorn等技术。6、定义聊天函数：接收消息和历史记录，返回模型生成的回复。4、定义对话提示模板。

LangChain知识库构建与RAG设计

Box_clf的博客

06-03

3669

#加载文档import os#总结文档#翻译一下文档#精炼文档，删除除了某个主题或关键词之外的内容，仅保留与主题相关的内容。

LangChain 中主流的 RAG 实现方式

alva_xu的博客

04-25

1275

支持图片、表格等非文本数据，需结合 OCR（如 Tesseract）和专用解析器（如 DeepDoc）。：文档需预先处理好分块，该方法的result是字符串，没有metadata信息。：封装文档加载→分块→向量化→存储→检索全流程，适合快速原型开发。：通过设计模板控制生成风格，强制 LLM 基于上下文回答，减少幻觉。：结合语义搜索（向量相似度）与关键词检索（BM25），提升召回率。：通过迭代检索优化结果，例如先检索大纲再定位细节。：提取检索文档中的关键片段，减少无关信息输入。

使用LangChain Agents构建Gradio与详解Gradio Tools（1）——LangChain Agent概念

shao918516的博客

03-29

1249

本章使用LangChain Agents构建Gradio，首先分别介绍LangChain Agents原理，并给出演示用例，然后用其构建Gradio，最后介绍如何使用和创建Gradio Tools。

RAG实战案例：如何基于 LangChain 实现智能检索生成系统

热门推荐

FrenzyTechAI的博客

12-22

1万+

检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（设计用于搜索大型数据集或知识库）和生成模型（例如大型语言模型 (LLM)，此类模型会使用检索到的信息生成可供阅读的文本回复）结合在一起。通过从更多数据源添加背景信息，以及通过训练来补充 LLM 的原始知识库，检索增强生成能够提高搜索体验的相关性。这能够改善大型语言模型的输出，但又无需重新训练模型。

Llama 3 构建语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

数智笔记

05-20

2804

RAG工作流帮助我们管理和利用来自各种来源的数据，以提供准确和相关的结果。从不同的来源收集数据，如文本文件、PDF、网站、数据库或API。例如，Llama Hub提供了许多连接器，使这一步骤更容易。在索引阶段，系统将原始数据转换为向量嵌入并组织它们。使用句子转换模型将每个文档或数据片段转换为捕捉语义含义的高维向量。然后将这些向量组织成高效的数据结构，通常是n维树或哈希映射，以实现快速的相似性搜索。保存索引数据和标签，以便以后无需再次组织。将查询转换为向量，并使用余弦相似度或其他距离度量与索引向量进行比较。

【AI大模型应用开发】【LangChain系列】实战案例4：再战RAG问答，提取在线网页数据，并返回生成答案的来源

同学小张的博客

03-12

3492

本文利用 LangChain 实现了一个完整的问答RAG应用。其中RAG中的数据源采用加载网页数据的形式获取，而不是采用之前实践中传统的本地知识库（加载本地PDF文件）的方式。然后我们还在RAG的返回中增加了参考文本的输出，这是之前我们没有实践过的，算是一点新知识。在实现这个功能的过程中，最主要的是学会使用 LangChain 中提供的 `RunnablePassthrough` 和 `RunnableParallel` 进行值的传递。

RAG实战1 - 使用Mistral-7b, LangChain, ChromaDB搭建自己的WEB聊天界面

小然的百宝盒

01-13

1153

一、RAG介绍二、安装python环境以及相关的包三、导入相关包四、Mistral-7b模型介绍五、Embedding模型六、Prompt Template 七、数据加载八、数据注入九、查询十、问答十一、基于Gradio搭建问答UI界面

一文详细解析如何使用LangChain、NestJS 和 Gemma 2 构建一个 Agentic RAG 应用

python12345_的博客

10-11

910

创建 src/configs 文件夹并在其中添加 configuration.ts 文件。

langchain gradio

10-20

Langchain Gradio是一种语言链区块链项目，旨在通过区块链技术和智能合约实现全球多语言的互相翻译和沟通。它的核心理念是通过利用区块链的去中心化和不可篡改的特性，为用户提供安全、高效、准确的翻译服务。 Langchain Gradio的工作原理是将用户提交的翻译任务通过智能合约分配给区块链网络中的矿工节点。这些矿工节点会利用自身的计算能力和语言技能，对任务进行翻译，并将结果返回给用户。通过智能合约的执行，确保了任务的安全性和准确性。 Langchain Gradio具有以下特点和优势。首先，它能够实现多语言的翻译，解决了跨语言交流的障碍。其次，由于采用了区块链技术，翻译任务能够实现去中心化和分布式处理，提高了翻译的效率和准确度。此外，用户的隐私和数据安全得到了保护，不会被泄露和滥用。 Langchain Gradio在实际应用中有广阔的前景。它可以应用于国际商务、旅游、研究和教育等领域，为不同国家和地区之间的交流搭建桥梁。同时，由于其区块链技术的特性，Langchain Gradio还具备一定的抗干扰和抵抗恶意攻击的能力，保证了系统的安全和稳定运行。总而言之，Langchain Gradio作为一种语言链区块链项目，通过区块链技术和智能合约实现全球多语言的翻译和沟通。它拥有高效、安全、准确的特点，面向多个领域具有广阔的应用前景。