当前位置：首页 > wzjs >正文

怎么制作网站模版网站设计的标准

wzjs 2025/9/13 4:55:33

怎么制作网站模版,网站设计的标准,中国最新消息新闻报道,广东东莞直播基地基于 LangChain 搭建简单 RAG 系统参考其官方文档：https://python.langchain.com/v0.2/docs/tutorials/rag/ 演示如何快速搭建一套简单的 RAG 系统。 （1）安装与配置： 首先，安装 LangChain 框架及其依赖项。 # 安…

基于 LangChain 搭建简单 RAG 系统

参考其官方文档：https://python.langchain.com/v0.2/docs/tutorials/rag/

演示如何快速搭建一套简单的 RAG 系统。

（1）安装与配置：

首先，安装 LangChain 框架及其依赖项。

# 安装LangChain框架及其依赖项
!pip install langchain langchain_community langchain_chroma

（2）数据准备与索引构建：

接下来，准备数据并构建索引。

LangChain 的 DocumentLoaders 中提供了种类丰富的文档加载器，例如，我们可以使用 WebBaseLoader 从网页中加载内容并将其解析为文本。

from langchain_community.document_loaders import WebBaseLoader
# 使用WebBaseLoader加载网页内容:
loader = WebBaseLoader("https://example.com/page")
docs = loader.load()

加载完成后，由于加载的文档可能过长，不适合模型的上下文窗口，需要将文档分割成合适的大小。

LangChain 提供了 TextSplitter 组件来实现文档分割。

from langchain_text_splitters import RecursiveCharacterTextSplitter
# 使用TextSplitter将长文档分割成更小的块，其中chunk_size表示分割文档的长度，chunk_overlap表示分割文档间的重叠长度
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)

接下来需对分割后的文本块进行索引化，以便后续进行检索。

可以调用 Chroma 向量存储模块和 OpenAIEmbeddings 模型来存储和编码文档。

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
# 使用向量存储(如Chroma)和嵌入模型来编码和存储分割后的文档
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())

（3）RAG 系统构建：

构建好知识源后，接下来开始构建基础 RAG 系统。该系统包括检索器与生成器，具体工作流程如下：

对于用户输入的问题，检索器首先搜索与该问题相关的文档，
接着将检索到的文档与初始问题一起传递给生成器，即大语言模型，
最后将模型生成的答案返回给用户。

首先进行检索器构建，这里可基于 VectorStoreRetriever 构建一个 Retriever 对象，利用向量相似性进行检索。

# 创建检索器
retriever = vectorstore.as_retriever()

接下来是生成器部分的构建，这里可使用 ChatOpenAI 系统模型作为生成器。

这一步，需设置 OpenAI 的 API 密钥，并指定要使用的具体模型型号。例如，我们可以选择使用 gpt-3.5-turbo-0125 模型。

import os
os.environ["OPENAI_API_KEY"] = 'xxx'
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo-0125")

随后是输入 Prompt 的设置，LangChain 的 Prompt Hub 中提供了多种预设的 Prompt 模板，适用于不同的任务和场景。这里我们选择一个适用于 RAG 任务的 Prompt。

from langchain import hub
# 设置提示模板
prompt = hub.pull("rlm/rag-prompt")

最后我们需要整合检索与生成，这里可以使用LangChain表达式语言（LangChain Execution Language，LCEL）来方便快捷地构建一个链，将检索到的文档、构建的输入 Prompt 以及模型的输出组合起来。

from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser# 使用LCEL构建RAG链
rag_chain = ({"context": retriever | format_docs, "question": RunnablePassthrough()}| prompt| llm| StrOutputParser()
)# 定义文档格式化函数
def format_docs(docs):return "\n\n".join(doc.page_content for doc in docs)# 使用RAG链回答问题
response = rag_chain.invoke("What is Task Decomposition?")
print(response)