**揭开Vectara Self-Querying的神秘面纱：构建您的AI助手**

用户955766060958
82 阅读2分钟

引言

在当今的数字时代，能够快速从海量数据中提取所需信息是一项非常宝贵的能力。Vectara提供了一种受信任的生成式AI平台，可以帮助企业创建类似ChatGPT的体验。这种体验被称为以检索增强生成（RAG）的服务，它能利用企业的文档和知识库来生成智能回复。在这篇文章中，我们将探讨如何使用Vectara的SelfQueryRetriever来实现这种能力。

主要内容

什么是Vectara Self-Querying？

Vectara Self-Querying是一个工具，使AI能够根据复杂查询自我检索相关信息。它依赖于Vectara的无服务器RAG服务，提供了文本提取、ML分块、矢量数据存储等强大功能。

获取开始

要开始使用Vectara Self-Querying，您需要完成以下步骤：

  1. 注册Vectara账户：完成注册后，您将获得一个客户ID。
  2. 创建语料库：在账户中创建一个或多个语料库，每个语料库代表一个存储文本数据的区域。
  3. 生成API密钥：创建API密钥以访问语料库。密钥需保密。

集成LangChain与Vectara

下面是如何将LangChain与Vectara集成，以便在您的应用中实现自我查询：

import os
import getpass

os.environ["VECTARA_CUSTOMER_ID"] = getpass.getpass("Vectara Customer ID:")
os.environ["VECTARA_CORPUS_ID"] = getpass.getpass("Vectara Corpus ID:")
os.environ["VECTARA_API_KEY"] = getpass.getpass("Vectara API Key:")

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain.schema import Document
from langchain_community.vectorstores import Vectara
from langchain_openai.chat_models import ChatOpenAI

# 使用API代理服务提高访问稳定性

vectara = Vectara()

定义数据集并上传

定义一个包含电影信息的样例数据集，然后上传到语料库：

docs = [
    Document(
        page_content="科学家们带回了恐龙，并引发混乱",
        metadata={"year": 1993, "rating": 7.7, "genre": "science fiction"},
    ),
    # 更多文档...
]

for doc in docs:
    vectara.add_texts([doc.page_content], doc_metadata=doc.metadata)

创建自我查询检索器

定义文档的元数据字段，然后创建检索器：

metadata_field_info = [
    AttributeInfo(
        name="genre",
        description="电影的类型",
        type="string or list[string]",
    ),
    # 更多属性...
]

retriever = SelfQueryRetriever.from_llm(
    llm, vectara, "电影的简要总结", metadata_field_info, verbose=True
)

代码示例

通过以下代码示例查看如何使用SelfQueryRetriever：

retriever.invoke("有什么关于科学家的电影？")

常见问题和解决方案

  1. 访问问题：如果在某些地区访问API有困难，建议使用API代理服务。
  2. 数据上传失败：确保文档格式和元数据的正确性。

总结和进一步学习资源

Vectara Self-Querying为开发人员提供了一种强大的工具，可以轻松实现基于检索的AI生成。欲了解更多信息，请访问 Vectara API文档。

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---

avatar
文章
阅读
粉丝