[从RetrievalQA迁移到LCEL：提升你的问答系统的灵活性和性能]

最新推荐文章于 2025-05-20 18:44:14 发布

dfvcbipanjr

最新推荐文章于 2025-05-20 18:44:14 发布

阅读量486

点赞数 11

文章标签： python

本文链接：https://blog.youkuaiyun.com/dfvcbipanjr/article/details/144279699

版权

从RetrievalQA迁移到LCEL：提升你的问答系统的灵活性和性能

引言

在自然语言处理和信息检索领域，RetrievalQA已被广泛用于实现高效的问答系统。然而，随着技术的发展，LCEL（Langchain Core Execution Layer）提供了一种更加灵活和强大的实现方式。本篇文章将详细介绍如何从RetrievalQA迁移到LCEL，探讨这一迁移的优势，并提供一个完整的代码示例来帮助你开始使用。

主要内容

1. 为什么选择LCEL？

LCEL的出现为开发者提供了更高的灵活性和性能优势。下面是一些主要的优点：

易于定制化：LCEL允许通过明确的参数调整来配置提示和文档格式，而不是局限于RetrievalQA链中的特定设置。
更好的文档源返回：LCEL支持更灵活的文档检索和返回方法，让开发者更容易获取和处理源文档。
支持流式传输和异步操作：LCEL天然支持可运行的方法，如流式传输和异步操作，提升整体系统的响应能力和并发处理能力。

2. Side-by-Side比较

以下是使用相同的数据加载代码，分别使用RetrievalQA和LCEL的实现。

使用RetrievalQA

from langchain import hub
from langchain.chains import RetrievalQA

# Initialize RetrievalQA
prompt = hub.pull("rlm/rag-prompt")
qa_chain = RetrievalQA.from_llm(
    llm, retriever=vectorstore.as_retriever(), prompt=prompt
)

# Query the QA system
result = qa_chain("What are autonomous agents?")
print(result)

使用LCEL

from langchain import hub
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# Initialize LCEL
prompt = hub.pull("rlm/rag-prompt")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

qa_chain = (
    {
        "context": vectorstore.as_retriever() | format_docs,
        "question": RunnablePassthrough(),
    }
    | prompt
    | llm
    | StrOutputParser()
)

# Query the LCEL system
result = qa_chain.invoke("What are autonomous agents?")
print(result)

代码示例

以下是完整的代码示例，展示如何通过LCEL实现一个问答系统。

import os
from getpass import getpass
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain_openai.chat_models import ChatOpenAI
from langchain_openai.embeddings import OpenAIEmbeddings
from langchain import hub
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 设置OpenAI API Key
os.environ["OPENAI_API_KEY"] = getpass()

# 加载文档
loader = WebBaseLoader("https://lilianweng.github.io/posts/2023-06-23-agent/")
data = loader.load()

# 分割文档
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
all_splits = text_splitter.split_documents(data)

# 存储分割结果
vectorstore = FAISS.from_documents(documents=all_splits, embedding=OpenAIEmbeddings())

# 初始化LLM
llm = ChatOpenAI()

# 定义LCEL链
prompt = hub.pull("rlm/rag-prompt")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

qa_chain = (
    {
        "context": vectorstore.as_retriever() | format_docs,
        "question": RunnablePassthrough(),
    }
    | prompt
    | llm
    | StrOutputParser()
)

# 查询QA系统
result = qa_chain.invoke("What are autonomous agents?")
print(result)