RAG(检索增强生成 )

📑前言

本文主要是【RAG】——RAG(检索增强生成 )的文章，如果有什么需要改进的地方还请大佬指出⛺️

🎬作者简介：大家好，我是听风与他🥇
☁️博客首页：CSDN主页听风与他
🌄每日一句：狠狠沉淀，顶峰相见

📑前言
RAG
- 1.RAG定义
- 2.RAG技术演化
- 3.RAG优势
LangChain实现RAG
- 1.基础环境准备
- 2.在项目根目录创建.env文件，用来存放相关配置(configuration.env)
- 3.准备一个矢量数据库来保存所有附加信息的外部知识源。
- - 3.1 加载数据
  - 3.2数据分块
  - 3.3数据块存储
RAG实现
- 1.数据检索
- 2.提示增强
- 3.答案生成
📑文章末尾

RAG

1.RAG定义

llm是一个预训练的模型，这就决定了llm自身无法实时更新模型中的知识，由此，业界已经形成了通过RAG（Retrieval Augmented Generation）等外接知识库等方式快速扩展llm知识。
RAG的增强阶段可以在pre-training预训练，Fine-tuning微调，Inference推理三个阶段；从增强的数据源，包括非结构化数据，结构化数据和llm生成的内容三个途径。

2.RAG技术演化

RAG通过优化检索器、生成器等关键部分，为大模型中的复杂知识密集型任务提供了更高效的解决任务。
检索阶段:利用编码模型根据问题检索相关文档。
生成阶段：将检索到的上下文作为条件，系统生成文本。

3.RAG优势

结合检索系统和生成模型。能利用最新信息，提高答案质量，具有更好的可解释性和适应性。简单来说，就是实时更新检索库。

LangChain实现RAG

1.基础环境准备

pip install langchain openai weaviate-client

2.在项目根目录创建.env文件，用来存放相关配置(configuration.env)

OPENAI_API_KEY="此处添openai的api_key"

3.准备一个矢量数据库来保存所有附加信息的外部知识源。

3.1 加载数据

这里选择斗破苍穹.txt作为文档输出,要加载到langchain中的TextLoader中

from langchain.document_loaders import TextLoader
loader = TextLoader('./a.txt')
documents = loader.load()

3.2数据分块

因为文档在其原始状态下太长，无法放入大模型的上下文窗口，所以需要将其分成更小的部分。LangChain 内置了许多用于文本的分割器。这里使用 chunk_size 约为 1024 且 chunk_overlap 为128 的 CharacterTextSplitter 来保持块之间的文本连续性。

from langchain.text_splitter import CharacterTextSplitter
text_splitter = CharacterTextSplitter(chunk_size=1024, chunk_overlap=128)
chunks = text_splitter.split_documents(documents)

3.3数据块存储

要启用跨文本块的语义搜索，需要为每个块生成向量嵌入，然后将它们与其嵌入存储在一起。要生成向量嵌入，可以使用 OpenAI 嵌入模型，并使用 Weaviate 向量数据库来进行存储。通过调用 .from_documents()，矢量数据库会自动填充块。

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Weaviate
import weaviate
from weaviate.embedded import EmbeddedOptions

client = weaviate.Client(
  embedded_options = EmbeddedOptions()
)

vectorstore = Weaviate.from_documents(
    client = client,    
    documents = chunks,
    embedding = OpenAIEmbeddings(),
    by_text = False
)

RAG实现

1.数据检索

将数据存入矢量数据库后，就可以将其定义为检索器组件，该组件根据用户查询和嵌入块之间的语义相似性获取相关上下文。

retriever = vectorstore.as_retriever()

2.提示增强

完成数据检索之后，就可以使用相关上下文来增强提示。在这个过程中需要准备一个提示模板。可以通过提示模板轻松自定义提示，如下所示。

from langchain.prompts import ChatPromptTemplate
template = """你是一个问答机器人助手，请使用以下检索到的上下文来回答问题，如果你不知道答案，就说你不知道。问题是：{question},上下文: {context},答案是:
"""
prompt = ChatPromptTemplate.from_template(template)

3.答案生成

利用 RAG 管道构建一条链，将检索器、提示模板和 LLM 链接在一起。定义了 RAG 链，就可以调用它了。

from langchain.chat_models import ChatOpenAI
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema.output_parser import StrOutputParser
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

rag_chain = (
    {"context": retriever,  "question": RunnablePassthrough()} 
    | prompt 
    | llm
    | StrOutputParser() 
)

query = "萧炎的表妹是谁？"
res=rag_chain.invoke(query)
print(f'答案：{res}')