大家好我是小锋老师最近更新《2027版 基于LangChain的RAG与Agent智能体 开发视频教程》专辑感谢大家支持。本课程主要介绍和讲解RAGLangChain简介接入通义千万大模型 Ollama简介以及安装和使用OpenAI 库介绍和使用以及最重要的基于LangChain实现RAG与Agent智能体开发技术。视频教程课件源码打包下载 链接https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg提取码0000基于LangChain的RAG与Agent智能体开发 - 向量存储与向量检索以及RAG增强检索实现今天我们使用LangChain实现向量存储和相似性检索为下一个RAG与Agent企业知识库项目实战做一些知识准备。上图展示了基于 LangChain 实现的向量存储与相似性检索工作流核心分为 *索引阶段存储和查询阶段检索 两部分索引阶段存储把文档变成向量并存库 输入原始的 文档Documents 文本数据。 处理通过嵌入模型Embedding model将文档文本转换为嵌入向量Embedding vectors—— 这是一种高维数值向量用来编码文本的语义信息。 存储生成的嵌入向量会被存入向量数据库Vector stores完成数据的索引与持久化。查询阶段检索用问题去匹配最相似的文档 输入用户的查询文本Query text也就是问题或检索需求。 处理同样通过嵌入模型Embedding model将查询文本转换为查询向量Query vector保证和文档向量的编码规则一致。 匹配执行相似性搜索Similarity Search将查询向量与向量数据库中所有文档向量做语义相似度计算。 输出返回Top-k 结果Top-k results即与查询语义最相似的 k 条文档片段。 整体逻辑 这是 检索增强生成RAG的核心流程先把知识库文档向量化存储再在用户提问时将问题向量化通过相似度匹配找到最相关的文档片段为后续生成准确回答提供依据。基于LangChain实现向量存储与检索Chroma 是一个轻量级的开源向量数据库专门用于存储和检索嵌入向量。它易于本地部署支持内存模式和持久化存储非常适合与 LangChain 结合构建基于检索的应用程序如 RAG、语义搜索等。LangChain 提供了对 Chroma 的封装通过langchain_chroma包可以方便地将 Chroma 作为向量存储VectorStore使用。本文将介绍其基本用法并给出完整的示例代码。我们在LangChain中调用Chroma的话要安装下依赖库 langchain_chromapip install langchain_chroma -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn我们看一个langchain实现向量存储删除查询以及相似性搜索的实例from langchain_chroma import Chroma from langchain_community.document_loaders import CSVLoader from langchain_community.embeddings import DashScopeEmbeddings ​ # 创建 Chroma 向量数据库 chromadb Chroma( persist_directory./chroma_db, # 持久化目录 embedding_functionDashScopeEmbeddings(), # 嵌入模型 collection_namelangchain_docs, # 指定集合名称类似以前数据库的表名 ) ​ # 创建CSV加载器 loader CSVLoader( file_path../data/知识库.csv, # 文件路径 encodingutf-8, # 文件编码 ) ​ # 加载数据 documents loader.load() print(documents) print([id_ str(doc.metadata[row] 1) for doc in documents]) ​ # 添加文档到向量数据库 chromadb.add_documents( documentsdocuments, # 文档列表 ids[id_ str(doc.metadata[row] 1) for doc in documents] ) ​ # # 查询所有文档 # docs chromadb.get() # print(docs) # # # 删除文档 # chromadb.delete([id_1, id_2]) # # # 查询所有文档 # docs chromadb.get() # print(docs) ​ # 查询 query 什么是向量数据库 # 相似性搜索 result chromadb.similarity_search( queryquery, # 查询内容 k2, # 返回结果数量 filter{source: ../data/知识库.csv}, ) print(result)运行结果[Document(metadata{source: ../data/知识库.csv, row: 0}, page_content知识信息: LangChain 是一个用于开发 LLM 应用的框架。), Document(metadata{source: ../data/知识库.csv, row: 1}, page_content知识信息: Chroma 是一个开源的向量数据库。), Document(metadata{source: ../data/知识库.csv, row: 2}, page_content知识信息: 向量存储可以将文本转换为向量并快速检索相似内容。)] [id_1, id_2, id_3] [Document(idid_3, metadata{row: 2, source: ../data/知识库.csv}, page_content知识信息: 向量存储可以将文本转换为向量并快速检索相似内容。), Document(idid_2, metadata{row: 1, source: ../data/知识库.csv}, page_content知识信息: Chroma 是一个开源的向量数据库。)]基于LangChain的RetrievalQA实现RAG增强检索RAG检索增强生成是一种将信息检索与语言生成相结合的技术架构。它的核心思想是在让大语言模型LLM回答问题之前先从外部知识库中检索与问题相关的信息然后将这些信息作为“上下文”连同问题一起交给模型从而生成更准确、更符合事实的答案。RAG工作流程三个核心步骤检索Retrieve将用户问题转换为向量从向量数据库中检索最相似的文档片段增强Augment将检索到的文档片段与原始问题组合成一个增强的提示词生成Generate将增强后的提示词交给LLM生成最终答案我们使用RetrievalQA来实现RAGRetrievalQA是 LangChain 中专门用于构建检索增强生成RAG问答系统的链。它通过将信息检索与大语言模型生成相结合使模型能够基于外部知识库回答事实性问题有效解决模型知识滞后和幻觉问题。核心功能输入用户问题query工作流程使用检索器从向量数据库或文档索引中获取与问题最相关的文档片段将这些文档片段作为上下文与原始问题一起组合成提示将提示交给大语言模型生成最终答案输出答案result并可选择返回检索到的源文档source_documents核心组件组件说明检索器Retriever负责从文档存储中检索相关片段如VectorStoreRetriever大语言模型LLM负责生成答案如ChatOpenAI、ChatAnthropic等提示模板Prompt定义如何将上下文和问题组合成模型输入可选可使用默认模板我们看下一个具体示例from langchain_chroma import Chroma from langchain_classic.chains.retrieval_qa.base import RetrievalQA from langchain_community.document_loaders import CSVLoader from langchain_community.embeddings import DashScopeEmbeddings from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import PromptTemplate ​ # 创建 Chroma 向量数据库 chromadb Chroma( persist_directory./chroma_db2, # 持久化目录 embedding_functionDashScopeEmbeddings(), # 嵌入模型 collection_namelangchain_rag, # 指定集合名称类似以前数据库的表名 ) ​ # 创建CSV加载器 loader CSVLoader( file_path../data/知识库.csv, # 文件路径 encodingutf-8, # 文件编码 ) ​ # 加载数据 documents loader.load() print(documents) print([id_ str(doc.metadata[row] 1) for doc in documents]) ​ # 添加文档到向量数据库 chromadb.add_documents( documentsdocuments, # 文档列表 ids[id_ str(doc.metadata[row] 1) for doc in documents] ) ​ # 设置检索器 retriever chromadb.as_retriever( search_kwargs{k: 2} # 检索最相关的3个文档块 ) ​ # 定义提示词模板 prompt_template 基于以下已知信息请回答用户的问题。 如果无法从已知信息中找到答案请说根据现有资料无法回答这个问题不要编造。 ​ 已知信息 {context} ​ 问题{question} ​ 请回答 ​ prompt PromptTemplate( templateprompt_template, input_variables[context, question] ) ​ # 创建模型 model Tongyi(modelqwen-plus) ​ # 创建检索式问答链 qa_chain RetrievalQA.from_chain_type( llmmodel, # 模型 chain_typestuff, # 将所有检索到的文档一次性放入上下文 retrieverretriever, # 检索器 chain_type_kwargs{prompt: prompt}, return_source_documentsTrue # 返回来源文档便于追溯 ) ​ ​ # 提问 def ask_question(query): print(f\n问题{query}) result qa_chain.invoke({query: query}) print(f答案{result[result]}) print(参考来源) for doc in result[source_documents]: print(f - {doc.page_content[:50]}...) return result ​ ​ ask_question(什么是向量数据库) ask_question(什么是RAG)运行结果问题什么是向量数据库 答案向量数据库是一种专门用于存储、索引和检索高维向量如嵌入向量的数据库系统。它支持基于向量相似度的高效语义搜索例如查找与给定向量在语义上最接近的其他向量。Chroma 就是一个典型的向量数据库用于存储和检索文本的嵌入向量。 参考来源 - 知识信息: 嵌入向量是将文本转换为数字向量表示用于语义搜索。... - 知识信息: Chroma 是一个向量数据库用于存储和检索文本向量。... ​ 问题什么是RAG 答案RAG 是一种结合检索和生成的技术用于增强问答的准确性。 参考来源 - 知识信息: RAG 是一种结合检索和生成的技术用于增强问答的准确性。... - 知识信息: LangChain 是一个框架可以帮助你快速构建 LLM 应用。...