从零开始学 langchain 之搭建最小的 RAG 系统

RAG 可以说是 23 年以来到现在，最为火热的大模型应用技术了，很多人都有了很多经典的研究。而对于新人来说，有些代码十分复杂，导致只看表象并不理解其原理。今天，就利用 langchain 和大家一起搭建一个最简单的 RAG 系统，一起来学习一下吧。

langchain 安装

目前，langchain 的版本已经更新到 0.1.X，建议使用最新的稳定版本，不然之前的代码会出现兼容性的问题。

Retrieval | ️ LangChain

RAG 原理解析

RAG 的原理已经有很多文章都提到了，这里我们再复习一下，下面是从论文中截取的图，欢迎查看这篇原文。

Retrieval-Augmented Generation for Large Language Models: A Survey

从图中，我们进行进一步的拆解，可以看到，主要分为下面几个步骤：

1、索引建立，将文本数据通过向量化的模型导入到向量数据库进行存储

2、检索，根据用户的输入去检索最相关的 n 个片段

3、生成，将上下文和用户问题拼接成提示词，输入给大模型，得到最后的答案。

索引建立

我们使用 chroma 作为向量数据库去存储用户数据，并调用 BGE 的向量去完成向量化的操作。原始的数据，为了方便展示，使用了 markdown 格式的数据，可以直接用 textloader 进行加载。

详细代码如下：

python
import os
from langchain.embeddings.huggingface import HuggingFaceBgeEmbeddings
from langchain_community.document_loaders import TextLoader
from langchain.prompts import ChatPromptTemplate
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from model_factory import yi_llm

BGE_MODEL_PATH = "BAAI/bge-large-zh"
root_dir = "./zsxq"

def extract_file_dirs(directory):
    file_paths = []
    for root, dirs, files in os.walk(directory):
        for file in files:
            if file.endswith(".md"):
                fp = os.path.join(root, file)
                file_paths.append(fp)
    return file_paths

files = extract_file_dirs(root_dir)
print(files)
loaders = [TextLoader(f) for f in files]

docs = []
for l in loaders:
    docs.extend(l.load())

text_splitter = RecursiveCharacterTextSplitter(chunk_size=150, chunk_overlap=20)
documents = text_splitter.split_documents(docs)
huggingface_bge_embedding = HuggingFaceBgeEmbeddings(model_name=BGE_MODEL_PATH)
vectorstore = Chroma.from_documents(documents, huggingface_bge_embedding, persist_directory="./vectorstore")

query="在知识星球里，怎么快速找到最有价值的内容？"
result = vectorstore.similarity_search(query, k=3)

for doc in result:
    print(doc.page_content)
    print("********")

检索

我们很容易的使用下面这个语句，将向量数据库转为检索器进行使用。然后可以调用检索器的get_relevant_documents 方法去检索得到相似的文本片段，然后就可以使用 langchain 的 LCEL 语言去调用了。

python
retriever = vectorstore.as_retriever()
docs = retriever.get_relevant_documents(query)

生成

我们首先定义一个简单的提示词，将检索得到的上下文片段和用户的问题进行拼接，然后输入给大模型进行回答。为了方便最后对比各种方法的效果，我们使用了 StrOutputParser 去提取最后输出的文本。

代码如下：

python
template = """Answer the question based only on the following context:

{context}

Question: {question},请用中文输出答案。
"""
prompt = ChatPromptTemplate.from_template(template)
model = yi_llm


def format_docs(docs):
    return "\n\n".join([d.page_content for d in docs])

chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

response = chain.invoke(query)
print(response)
print(yi_llm.invoke(query))

结果对比

RAG 输出结果

LLM 输出结果

原文

分析，从输出的结果上看，RAG 的输出命中了原文的搜索功能，但是增加了关注订阅，推荐这些原文没有提到的内容，仍然会存在幻觉。

LLM 输出的结果，看起来是对的，但实际上和原文并不相符，应该是用的自己内部的知识，也存在幻觉问题。

我们只是搭建了一个简单的示例，因此，RAG 的结果，是还有待改进的，不能立马满足我们的要求。

python
import os
from langchain.embeddings.huggingface import HuggingFaceBgeEmbeddings
from langchain_community.document_loaders import TextLoader
from langchain.prompts import ChatPromptTemplate
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from model_factory import yi_llm

BGE_MODEL_PATH = "BAAI/bge-large-zh"
root_dir = "./zsxq"

def extract_file_dirs(directory):
    file_paths = []
    for root, dirs, files in os.walk(directory):
        for file in files:
            if file.endswith(".md"):
                fp = os.path.join(root, file)
                file_paths.append(fp)
    return file_paths

files = extract_file_dirs(root_dir)
print(files)
loaders = [TextLoader(f) for f in files]

docs = []
for l in loaders:
    docs.extend(l.load())

text_splitter = RecursiveCharacterTextSplitter(chunk_size=150, chunk_overlap=20)
documents = text_splitter.split_documents(docs)
huggingface_bge_embedding = HuggingFaceBgeEmbeddings(model_name=BGE_MODEL_PATH)
vectorstore = Chroma.from_documents(documents, huggingface_bge_embedding, persist_directory="./vectorstore")

query="在知识星球里，怎么快速找到最有价值的内容？"
result = vectorstore.similarity_search(query, k=3)

for doc in result:
    print(doc.page_content)
    print("********")

retriever = vectorstore.as_retriever()

template = """Answer the question based only on the following context:

{context}

Question: {question},请用中文输出答案。
"""
prompt = ChatPromptTemplate.from_template(template)
model = yi_llm


def format_docs(docs):
    return "\n\n".join([d.page_content for d in docs])

chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

response = chain.invoke(query)
print("RAG 输出结果:",response)

print("LLM 输出结果：",yi_llm.invoke(query).content)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述