Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （二）

本文由 简悦 SimpRead 转码， 原文地址 blog.csdn.net

这是继上一篇文章 “Elasticsearch：使用 Open AI 和 Langchain 的 RAG - Retrieval Augmented Generation （一）” 的续篇。在这篇文章中，我主要来讲述 [](integrations.langchain.com/vectorstore… 的使用。

[

我们的设置和之前的那篇文章是一样的，只不过，在这里我们使用 ElasticVectorSearch 而不是 ElasticKnnSearch。

](integrations.langchain.com/vectorstore… 的使用。

[](integrations.langchain.com/vectorstore… 的使用。

安装包

#!pip3 install langchain

导入包

1.  from dotenv import load_dotenv
2.  from langchain.embeddings import OpenAIEmbeddings
3.  from langchain.vectorstores import ElasticKnnSearch
4.  from langchain.text_splitter import CharacterTextSplitter
5.  from urllib.request import urlopen
6.  import os, json

8.  load_dotenv()

10.  openai_api_key=os.getenv('OPENAI_API_KEY')
11.  elastic_user=os.getenv('ES_USER')
12.  elastic_password=os.getenv('ES_PASSWORD')
13.  elastic_endpoint=os.getenv("ES_ENDPOINT")
14.  elastic_index_name='elastic-vector-search'

将文档分成段落

1.  import json

4.  # Load data into a JSON object
5.  with open('workplace-docs.json') as f:
6.     workplace_docs = json.load(f)

8.  print(f"Successfully loaded {len(workplace_docs)} documents")

10.  metadata = []
11.  content = []

13.  for doc in workplace_docs:
14.    content.append(doc["content"])
15.    metadata.append({
16.        "name": doc["name"],
17.        "summary": doc["summary"],
18.        "rolePermissions":doc["rolePermissions"]
19.    })

21.  text_splitter = CharacterTextSplitter(chunk_size=100, chunk_overlap=0)
22.  docs = text_splitter.create_documents(content, metadatas=metadata)

把数据写入到 Elasticsearch

1.  embeddings = OpenAIEmbeddings(openai_api_key=openai_api_key)

3.  url = f"https://{elastic_user}:{elastic_password}@{elastic_endpoint}:9200"

5.  ssl_verify = {
6.      "verify_certs": True,
7.      "basic_auth": (elastic_user, elastic_password),
8.      "ca_certs": "./http_ca.crt"
9.  }

11.  es = ElasticVectorSearch.from_documents( 
12.                              docs,
13.                              embedding = embeddings, 
14.                              elasticsearch_url = url, 
15.                              index_name = elastic_index_name, 
16.                              ssl_verify = ssl_verify)

如上所示，ElasticVectorSearch 在未来的发布中将被移除。

运行完上面的代码后，我们可以到 Kibana 中进行查看：

展示结果

1.  def showResults(output):
2.    print("Total results: ", len(output))
3.    for index in range(len(output)):
4.      print(output[index])

Similarity / Vector Search (KNN Search)

1.  query = "work from home policy"
2.  result = es.similarity_search(query=query)

4.  showResults(result)

我们上面实现的代码可以在地址  github.com/liu-xiao-gu… 进行下载。