Bedrock (知识库) 检索器
概述
本指南将帮助您开始使用 AWS 知识库 retriever。
Amazon Bedrock 的知识库 是亚马逊网络服务 (AWS) 的一项服务，允许您使用私有数据快速构建 RAG 应用程序，以自定义 FM 响应。
实施 RAG 需要组织执行多个繁琐的步骤，将数据转换为嵌入（向量），将嵌入存储在专用的向量数据库中，并构建自定义集成以在数据库中搜索和检索与用户查询相关的文本。这可能耗时且效率低下。
使用 Knowledge Bases for Amazon Bedrock，只需指向您数据在 Amazon S3 中的位置，Knowledge Bases for Amazon Bedrock 将处理整个数据摄取工作流程到您的向量数据库。如果您没有现有的向量数据库，Amazon Bedrock 会为您创建一个 Amazon OpenSearch Serverless 向量存储。在检索时，通过 Retrieve API 使用 Langchain - Amazon Bedrock 集成，从知识库中检索与用户查询相关的结果。
集成细节
| 检索器 | 自托管 | 云服务 | 包 |
|---|---|---|---|
| AmazonKnowledgeBasesRetriever | ❌ | ✅ | langchain_aws |
设置
知识库可以通过 AWS 控制台 或使用 AWS SDK 进行配置。我们需要 knowledge_base_id 来实例化检索器。
如果您希望从单个查询获取自动跟踪，可以通过取消注释以下内容来设置您的 LangSmith API 密钥：
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
# os.environ["LANGSMITH_TRACING"] = "true"
安装
该检索器位于 langchain-aws 包中：
%pip install -qU langchain-aws
实例化
现在我们可以实例化我们的检索器：
from langchain_aws.retrievers import AmazonKnowledgeBasesRetriever
retriever = AmazonKnowledgeBasesRetriever(
knowledge_base_id="PUIJP4EQUA",
retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
)
用法
query = "What did the president say about Ketanji Brown?"
retriever.invoke(query)
在链中使用
from botocore.client import Config
from langchain.chains import RetrievalQA
from langchain_aws import Bedrock
model_kwargs_claude = {"temperature": 0, "top_k": 10, "max_tokens_to_sample": 3000}
llm = Bedrock(model_id="anthropic.claude-v2", model_kwargs=model_kwargs_claude)
qa = RetrievalQA.from_chain_type(
llm=llm, retriever=retriever, return_source_documents=True
)
qa(query)
API 参考
有关所有 AmazonKnowledgeBasesRetriever 功能和配置的详细文档，请访问 API 参考。