**掌握Vectara：建立您的智能AI助手**-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/144238095

引言

在快速发展的人工智能领域，构建一个类似ChatGPT的AI助手已经不再是遥不可及的梦想。Vectara为组织提供了一个可信赖的生成式AI平台，能够快速将数据、文档和知识转化为智能AI助手。本文旨在介绍Vectara平台及其在LangChain中的应用，帮助您快速上手并利用其强大的RAG（Retrieval-Augmented-Generation）服务。

主要内容

Vectara概述

Vectara提供了一整套RAG服务组件，整合在一个易于使用的API中，主要包括：

文本提取：支持从多种文件格式提取文本（PDF, PPT, DOCX等）。
机器学习分块：提供卓越的性能。
内部向量数据库：储存文本块和嵌入向量。
查询服务：自动将查询编码为嵌入，并检索最相关的文本段。
生成摘要的LLM：基于检索的文档创建生成式摘要，包括引文。

Vectara在LangChain中的应用

要在LangChain中使用Vectara，不需进行特殊安装步骤。只需注册一个免费帐户并依照指南创建语料库和API密钥。将它们提供给Vectaravectorstore，或设置为环境变量：

export VECTARA_CUSTOMER_ID="your_customer_id"
export VECTARA_CORPUS_ID="your_corpus_id"
export VECTARA_API_KEY="your-vectara-api-key"

Vectara作为向量存储

Vectara可作为LangChain中的向量存储使用：

from langchain_community.vectorstores import Vectara

vectara = Vectara(
    vectara_customer_id=customer_id, 
    vectara_corpus_id=corpus_id, 
    vectara_api_key=api_key
)

您可以添加文本或文件作为数据源：

vectara.add_texts(["to be or not to be", "that is the question"])
vectara.add_files(["path/to/file1.pdf", "path/to/file2.pdf"])

查询向量存储

您可以使用similarity_search_with_score方法进行查询：

results = vectara.similarity_search_with_score("what is LangChain?")

结果以相关文档列表和每个文档的相关性分数返回。

RAG完整使用

Vectara的RAG功能可用于生成性摘要：

summary_config = SummaryConfig(is_enabled=True, max_results=7, response_lang='eng')
rerank_config = RerankConfig(reranker="mmr", rerank_k=50, mmr_diversity_bias=0.2)
config = VectaraQueryConfig(k=10, lambda_val=0.005, rerank_config=rerank_config, summary_config=summary_config)

rag = vectara.as_rag(config)
response = rag.invoke("what did Biden say?")
print(response['answer'])

代码示例

from langchain_community.vectorstores import Vectara

# 初始化Vectara
vectara = Vectara(
    vectara_customer_id='your_customer_id',
    vectara_corpus_id='your_corpus_id',
    vectara_api_key='your-vectara-api-key'
)

# 添加文本数据
vectara.add_texts(["Hello world!", "Vectara is amazing!"])

# 查询示例
results = vectara.similarity_search("Tell me about Vectara?")
print(results)