当前位置：首页 > news >正文

第8章:LangChain检索增强生成RAG--2.3Naive RAG

news 来源：原创 2025/5/25 22:32:24

Naive RAG 是一种基本的 RAG 实现，它通过向量搜索从嵌入存储中检索相关内容，并将其注入到提示（prompt）中，以便语言模型能够生成更准确的回答

Naive RAG（简单 RAG）

一旦我们的文档被摄取（参见前面的部分），我们可以创建一个 EmbeddingStoreContentRetriever 来启用简单的 RAG（检索增强生成）功能。

当使用 AI 服务时，可以按照以下方式配置简单的 RAG：

ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
    .embeddingStore(embeddingStore)
    .embeddingModel(embeddingModel)
    .maxResults(5) // 最多返回 5 个结果
    .minScore(0.75) // 最小相似度分数为 0.75
    .build();

Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(model) // 使用指定的语言模型
    .contentRetriever(contentRetriever) // 使用配置好的内容检索器
    .build();

深度解析

1. Naive RAG 的核心组件

Naive RAG 的实现依赖于以下核心组件：

EmbeddingStore：存储嵌入向量的数据库，也称为向量数据库。
EmbeddingModel：将文本转换为嵌入向量的模型。
ContentRetriever：从嵌入存储中检索相关内容的工具。

2. 配置 EmbeddingStoreContentRetriever

EmbeddingStoreContentRetriever 是一个用于从嵌入存储中检索内容的工具。它可以通过以下方式配置：

embeddingStore：指定嵌入存储实例。
embeddingModel：指定嵌入模型实例。
maxResults：指定返回的最大结果数。默认值为 3，但可以根据需要调整。
minScore：指定返回结果的最小相似度分数。默认值为 0，但可以通过设置更高的值来过滤掉不那么相似的结果。

ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
    .embeddingStore(embeddingStore)
    .embeddingModel(embeddingModel)
    .maxResults(5) // 最多返回 5 个结果
    .minScore(0.75) // 最小相似度分数为 0.75
    .build();

3. 配置 AI 服务

在 LangChain4j 中，可以通过 AiServices 构建一个 AI 服务，该服务使用配置好的 ContentRetriever 来检索相关内容，并将其注入到语言模型的提示中。

Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(model) // 使用指定的语言模型
    .contentRetriever(contentRetriever) // 使用配置好的内容检索器
    .build();

4. 示例代码

以下是一个完整的示例，展示如何配置和使用 Naive RAG：

// 创建嵌入存储实例
EmbeddingStore embeddingStore = new InMemoryEmbeddingStore<>();

// 创建嵌入模型实例
EmbeddingModel embeddingModel = new OpenAiEmbeddingModel("your-api-key", "text-embedding-ada-002");

// 配置内容检索器
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
    .embeddingStore(embeddingStore)
    .embeddingModel(embeddingModel)
    .maxResults(5) // 最多返回 5 个结果
    .minScore(0.75) // 最小相似度分数为 0.75
    .build();


// 配置 AI 服务
Assistant assistant = AiServices.builder(Assistant.class)
    .chatLanguageModel(model) // 使用指定的语言模型
    .contentRetriever(contentRetriever) // 使用配置好的内容检索器
    .build();

// 使用 AI 服务
String userMessage = "How to do Naive RAG with LangChain4j?";
String answer = assistant.chat(userMessage);

System.out.println("Answer: " + answer);

5. 总结

Naive RAG 是一种简单但有效的 RAG 实现，适用于需要快速启用 RAG 功能的场景。通过配置 EmbeddingStoreContentRetriever 和 AiServices，可以轻松地将文档内容检索功能集成到 AI 服务中。这种方法虽然简单，但在许多场景下已经足够有效，尤其是在需要快速原型开发和概念验证时。

官方示例