基于LangChain的RAG开发（02）-简单的RAG应用-优快云博客

本文链接：https://blog.youkuaiyun.com/pythonhy/article/details/148953418

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：

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：

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。
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：

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：

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。
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：

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：

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。
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。
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：

设置模型的system_prompt将上下文内容放到该提示词中。
使用ChatPromptTemplate构建用于链的提示词模板。
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。
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。
使用rag_chain.invoke()和rag_chain.stream()等方法进行调用。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望