rag-self-query

该模板使用自查询检索技术执行RAG。主要思想是让LLM将非结构化查询转换为结构化查询。有关此工作原理的更多信息，请参见文档。

环境设置

在此模板中，我们将使用 OpenAI 模型和 Elasticsearch 向量存储，但该方法适用于所有 LLMs/ChatModels 以及 多个向量存储。

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

要连接到您的 Elasticsearch 实例，请使用以下环境变量：

export ELASTIC_CLOUD_ID = <ClOUD_ID>
export ELASTIC_USERNAME = <ClOUD_USERNAME>
export ELASTIC_PASSWORD = <ClOUD_PASSWORD>

对于使用 Docker 的本地开发，请使用：

export ES_URL = "http://localhost:9200"
docker run -p 9200:9200 -e "discovery.type=single-node" -e "xpack.security.enabled=false" -e "xpack.security.http.ssl.enabled=false" docker.elastic.co/elasticsearch/elasticsearch:8.9.0

用法

要使用此包，您首先需要安装 LangChain CLI：

pip install -U "langchain-cli[serve]"

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-self-query

如果您想将其添加到现有项目中，只需运行：

langchain app add rag-self-query

并将以下代码添加到您的 server.py 文件中：

from rag_self_query import chain

add_routes(app, chain, path="/rag-elasticsearch")

要用示例数据填充向量存储，从目录的根目录运行：

python ingest.py

（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。 您可以在此处注册 LangSmith here。 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，则可以直接启动一个 LangServe 实例：

langchain serve

这将启动 FastAPI 应用程序，服务器在本地运行于 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-elasticsearch/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-self-query")