如何让你的RAG应用返回来源信息引言在许多问答应用中，展示生成答案所用的来源对用户是非常重要的。最简单的方法是让链返回

引言

在许多问答应用中，展示生成答案所用的来源对用户是非常重要的。最简单的方法是让链返回每次生成时检索到的文档。在本文中，我们将基于Lilian Weng的博客文章中介绍的LLM驱动自主代理的RAG教程，探讨两种方法：

使用内置的create_retrieval_chain，默认返回来源；
使用简单的LCEL实现来展示操作原理。

我们还会展示如何将来源结构化到模型响应中，使模型能够报告生成答案时使用的具体来源。

主要内容

设置

依赖

我们将在此过程中使用OpenAI嵌入和Chroma向量存储，但这里展示的方法适用于任何Embeddings、VectorStore或Retriever。

%pip install --upgrade --quiet langchain langchain-community langchainhub langchain-openai langchain-chroma bs4

设置环境变量OPENAI_API_KEY，可以直接设置或从.env文件加载：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

LangSmith

随着LangChain应用的复杂性增加，能够检查链或代理内部发生的事情变得至关重要。LangSmith可以帮助你进行这项工作。不过使用LangSmith并不是必须的。如果你愿意使用，注册后确保设置环境变量以开始记录跟踪：

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

使用`create_retrieval_chain`

这里是我们用到的Q&A应用：

import bs4
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_chroma import Chroma
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 加载，分块并索引博客内容以创建检索器
loader = WebBaseLoader(
    web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
    bs_kwargs=dict(
        parse_only=bs4.SoupStrainer(
            class_=("post-content", "post-title", "post-header")
        )
    ),
)
docs = loader.load()

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())  # 使用API代理服务提高访问稳定性
retriever = vectorstore.as_retriever()

# 将检索器集成到问题回答链中
system_prompt = (
    "You are an assistant for question-answering tasks. "
    "Use the following pieces of retrieved context to answer "
    "the question. If you don't know the answer, say that you "
    "don't know. Use three sentences maximum and keep the "
    "answer concise."
    "\n\n"
    "{context}"
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system_prompt),
        ("human", "{input}"),
    ]
)

question_answer_chain = create_stuff_documents_chain(llm, prompt)
rag_chain = create_retrieval_chain(retriever, question_answer_chain)

result = rag_chain.invoke({"input": "What is Task Decomposition?"})

print(result)

自定义LCEL实现

下面我们构建一个类似于create_retrieval_chain的链：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain_from_docs = (
    {
        "input": lambda x: x["input"],
        "context": lambda x: format_docs(x["context"]),
    }
    | prompt
    | llm
    | StrOutputParser()
)

retrieve_docs = (lambda x: x["input"]) | retriever

chain = RunnablePassthrough.assign(context=retrieve_docs).assign(
    answer=rag_chain_from_docs
)

response = chain.invoke({"input": "What is Task Decomposition"})

print(response)

常见问题和解决方案

API访问限制： 在某些地区，访问API时可能会遇到网络限制，这时可以使用API代理服务。
复杂任务分解： 对于复杂的任务，考虑使用链式思维（CoT）或思维树（ToT）等技术。

总结和进一步学习资源

通过本文介绍的方法，你可以在RAG应用中显示产生答案所用的来源。这不仅增进了用户的信任，还提高了模型的透明度。想要深入了解，可以参考以下资源：

LangChain官方文档
OpenAI API文档
Chroma向量存储指南

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---

如何让你的RAG应用返回来源信息

引言