快速上手：使用AWS Knowledge Bases Retriever构建智能搜索应用-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143817323

快速上手：使用AWS Knowledge Bases Retriever构建智能搜索应用

引言

在如今信息爆炸的时代，构建高效的检索和回答生成（RAG）应用变得越来越重要。Amazon Web Services (AWS) 提供的Knowledge Bases for Amazon Bedrock使这一过程变得更加简单和高效。本文将介绍如何使用AWS的这一服务，并提供实用的代码示例，以帮助您快速上手。

主要内容

什么是Amazon Bedrock的Knowledge Bases？

Amazon Bedrock的Knowledge Bases是一种允许您快速使用私有数据来定制模型响应的AWS服务。传统的RAG实施涉及多个复杂步骤，如将数据转换为嵌入、存储在专用向量数据库中、并构建自定义集成以进行文本检索和检索。Amazon Bedrock简化了这些步骤，自动化数据摄取流程并支持使用Langchain的API进行检索。

如何配置和使用Knowledge Bases Retriever？

安装

要使用这个检索器，您需要安装langchain-aws包：

%pip install -qU langchain-aws

实例化

在配置AWS Console或使用AWS SDKs完成后，您可以实例化AmazonKnowledgeBasesRetriever：

from langchain_aws.retrievers import AmazonKnowledgeBasesRetriever

retriever = AmazonKnowledgeBasesRetriever(
    knowledge_base_id="PUIJP4EQUA",
    retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)

使用示例

一旦实例化完成，您可以通过invoke方法进行查询，例如：

query = "What did the president say about Ketanji Brown?"
retriever.invoke(query)

使用API代理服务

对于某些地区的开发者，由于网络限制，建议使用API代理服务来提高访问稳定性。在代码中，可以考虑设置API代理的配置以确保服务的可用性。

代码示例

以下是一个使用Retriever与Langchain进行QA的示例代码：

from botocore.client import Config
from langchain.chains import RetrievalQA
from langchain_aws import Bedrock

model_kwargs_claude = {"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000}

llm = Bedrock(model_id="anthropic.claude-v2", model_kwargs=model_kwargs_claude)

qa = RetrievalQA.from_chain_type(
    llm=llm, retriever=retriever, return_source_documents=True
)

response = qa(query)
print(response)