# 如何处理未生成查询的情况：深入探讨与解决方案
在现代的查询分析技术中，有时可能会遇到这样的问题：预期的查询并未生成。这种情况下，系统需要在调用检索器之前检查查询分析的结果。本篇文章将介绍如何应对这种情况，并提供一个基于模拟数据的完整示例。
## 引言
在构建自然语言处理应用时，查询分析是一个至关重要的步骤。通常，我们希望通过分析用户输入来生成查询，以便从数据存储中检索相关信息。然而，有些情况下可能不会生成任何查询，如此一来就需要一种机制来处理这种情况，以确保系统的稳定性和用户体验。
## 主要内容
### 依赖安装与环境设置
首先，我们需要安装必要的依赖项：
```shell
# %pip install -qU langchain langchain-community langchain-openai langchain-chroma
接下来，设定环境变量：
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass()
# 可选择追踪LangSmith运行
# os.environ["LANGCHAIN_TRACING_V2"] = "true"
# os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
创建索引
我们将创建一个基于模拟数据的向量存储：
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
texts = ["Harrison worked at Kensho"]
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_texts(
texts,
embeddings,
)
retriever = vectorstore.as_retriever()
查询分析
通过结构化的方式进行查询分析，确保不必要时不调用搜索函数：
from typing import Optional
from langchain_core.pydantic_v1 import BaseModel, Field
class Search(BaseModel):
query: str = Field(
...,
description="Similarity search query applied to job record.",
)
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
system = """You have the ability to issue search queries to get information to help answer user information.
You do not NEED to look things up. If you don't need to, then just respond normally."""
prompt = ChatPromptTemplate.from_messages(
[
("system", system),
("human", "{question}"),
]
)
llm = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0)
structured_llm = llm.bind_tools([Search])
query_analyzer = {"question": RunnablePassthrough()} | prompt | structured_llm
通过调用，可以看到有时会返回工具调用，有时不会：
query_analyzer.invoke("where did Harrison Work")
query_analyzer.invoke("hi!")
检索与查询分析结合
以下是如何将其整合到一个链中的示例：
from langchain_core.output_parsers.openai_tools import PydanticToolsParser
from langchain_core.runnables import chain
output_parser = PydanticToolsParser(tools=[Search])
@chain
def custom_chain(question):
response = query_analyzer.invoke(question)
if "tool_calls" in response.additional_kwargs:
query = output_parser.invoke(response)
docs = retriever.invoke(query[0].query)
# 可以在这里添加更多逻辑，比如另一个LLM调用
return docs
else:
return response
custom_chain.invoke("where did Harrison Work")
custom_chain.invoke("hi!")
常见问题和解决方案
- 未生成查询时的处理：确保在没有工具调用时，系统能进行正常响应。
- 多步查询逻辑：可以进一步扩展为根据查询分析结果调用多个模型，提高系统的智能性。
总结和进一步学习资源
通过本文示例，我们演示了如何处理未生成查询的情况，以及如何利用Langchain库构建智能查询分析系统。希望能为您在实际项目中提供一些启发。
参考资料
- Langchain和OpenAI官方文档
- Pydantic工具使用指南
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---
