rag-mongo

该模板使用 MongoDB 和 OpenAI 执行 RAG。

环境设置

您应该导出两个环境变量，一个是您的 MongoDB URI，另一个是您的 OpenAI API KEY。如果您没有 MongoDB URI，请参阅底部的 Setup Mongo 部分以获取相关说明。

export MONGO_URI=...
export OPENAI_API_KEY=...

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包安装，您可以执行：

langchain app new my-app --package rag-mongo

如果您想将其添加到现有项目中，只需运行：

langchain app add rag-mongo

并将以下代码添加到您的 server.py 文件中：

from rag_mongo import chain as rag_mongo_chain

add_routes(app, rag_mongo_chain, path="/rag-mongo")

如果您想设置一个摄取管道，可以将以下代码添加到您的 server.py 文件中：

from rag_mongo import ingest as rag_mongo_ingest

add_routes(app, rag_mongo_ingest, path="/rag-mongo-ingest")

（可选）现在让我们配置 LangSmith。 LangSmith 将帮助我们跟踪、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"

如果您尚未连接到 Mongo 搜索索引，请在继续之前查看下面的 MongoDB 设置 部分。

如果您有要连接的 MongoDB 搜索索引，请编辑 rag_mongo/chain.py 中的连接详细信息。

如果您在此目录中，则可以直接启动 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-mongo/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-mongo")

有关更多上下文，请参阅 此笔记本。

MongoDB 设置

使用此步骤，如果您需要设置您的 MongoDB 账户并导入数据。我们将首先按照标准的 MongoDB Atlas 设置说明 这里 进行操作。

1. 创建一个账户（如果尚未完成）
2. 创建一个新项目（如果尚未完成）
3. 找到您的 MongoDB URI。

这可以通过访问部署概览页面并连接到您的数据库来完成。

接下来，我们查看可用的驱动程序。

其中，我们将看到我们的 URI 列出。

然后将其设置为本地环境变量：

export MONGO_URI=...

4. 让我们也为 OpenAI 设置一个环境变量（我们将其用作 LLM）。

export OPENAI_API_KEY=...

5. 现在让我们导入一些数据！我们可以通过进入此目录并运行 ingest.py 中的代码来完成，例如：

python ingest.py

请注意，您可以（并且应该！）更改此内容以导入您选择的数据。

6. 现在我们需要在我们的数据上设置一个向量索引。

我们可以首先连接到我们的数据库所在的集群。

然后我们可以导航到所有集合列出的地方。

接着我们可以找到我们想要的集合，并查看该集合的搜索索引。

那应该是空的，我们想要创建一个新的：

我们将使用 JSON 编辑器来创建它。

然后我们将粘贴以下 JSON：

 {
   "mappings": {
     "dynamic": true,
     "fields": {
       "embedding": {
         "dimensions": 1536,
         "similarity": "cosine",
         "type": "knnVector"
       }
     }
   }
 }

从那里，点击“下一步”，然后点击“创建搜索索引”。这需要一点时间，但您应该会在您的数据上拥有一个索引！