rag-azure-search

此模板使用 Azure AI Search 作为向量存储，并结合 Azure OpenAI 聊天和嵌入模型对文档执行 RAG。

有关使用 Azure AI Search 进行 RAG 的更多详细信息，请参阅 此笔记本。

环境设置

先决条件: 现有的 Azure AI Search 和 Azure OpenAI 资源。

环境变量:

要运行此模板，您需要设置以下环境变量：

必需:

• AZURE_SEARCH_ENDPOINT - Azure AI Search 服务的端点。
• AZURE_SEARCH_KEY - Azure AI Search 服务的 API 密钥。
• AZURE_OPENAI_ENDPOINT - Azure OpenAI 服务的端点。
• AZURE_OPENAI_API_KEY - Azure OpenAI 服务的 API 密钥。
• AZURE_EMBEDDINGS_DEPLOYMENT - 用于嵌入的 Azure OpenAI 部署名称。
• AZURE_CHAT_DEPLOYMENT - 用于聊天的 Azure OpenAI 部署名称。

可选:

• AZURE_SEARCH_INDEX_NAME - 要使用的现有 Azure AI Search 索引名称。如果未提供，将创建名为 "rag-azure-search" 的索引。
• OPENAI_API_VERSION - 要使用的 Azure OpenAI API 版本。默认为 "2023-05-15"。

使用方法

要使用此包，您首先需要安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并将此包作为唯一的包安装，您可以执行：

langchain app new my-app --package rag-azure-search

如果您想将其添加到现有项目中，可以直接运行：

langchain app add rag-azure-search

并将以下代码添加到您的 server.py 文件中：

from rag_azure_search import chain as rag_azure_search_chain

add_routes(app, rag_azure_search_chain, path="/rag-azure-search")

（可选）现在让我们配置 LangSmith。 LangSmith 将帮助我们追踪、监控和调试 LangChain 应用程序。 您可以在 这里 注册 LangSmith。 如果您没有访问权限，可以跳过此部分。

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>  # 如果未指定，默认为 "default"

如果您在此目录中，则可以直接通过以下命令启动 LangServe 实例：

langchain serve

这将启动 FastAPI 应用程序，服务器在本地运行，地址为 http://localhost:8000

我们可以在 http://127.0.0.1:8000/docs 查看所有模板 我们可以在 http://127.0.0.1:8000/rag-azure-search/playground 访问游乐场

我们可以通过代码访问模板：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/rag-azure-search")