实验一 html静态网站开发,微服务网站,企业策划文案论文,模板网站 优帮云原文地址#xff1a;Improving RAG: Self Querying Retrieval 2024 年 2 月 11 日 让我们来解决构建 RAG 系统时的一个大问题。 我们不能依赖语义搜索来完成每个检索任务。只有当我们追求单词的含义和意图时#xff0c;语义搜索才有意义。 But in case#xff0c;我们正…原文地址Improving RAG: Self Querying Retrieval 2024 年 2 月 11 日 让我们来解决构建 RAG 系统时的一个大问题。 我们不能依赖语义搜索来完成每个检索任务。只有当我们追求单词的含义和意图时语义搜索才有意义。 But in case我们正在对数据库中的内容进行搜索就像我们可能只想执行查找任务一样使用语义搜索是不合逻辑的。它甚至可能给出不准确的结果并使用不必要的计算能力。 在处理 Excel 文件或财务数据时通常会出现此问题。对于这些情况LangChain 提供了一个名为“自查询检索”的实用程序。 我们所做的很简单。我们在检索和输入之间插入一个“步骤”。 用户输入查询。我们使用语言模型对查询进行重新格式化以获取查询的语义要素。我们还将转换查询以便对元数据进行搜索。 重申一下这个想法非常简单。如果我们要查找一部电影并想查看年份我们就会进入矢量存储。我们只需查找年份然后将结果筛选回该年份。 基础知识已经清楚了现在让我们来了解一下 LangChain 如何帮助我们实现自查询。 我们使用 自查询(Self Query)检索器。自查询检索器允许我们查询矢量数据库。让我们来看看这种自查询检索器是如何实现的。 自查询基类的唯一类方法是 from_llm。创建自查询类需要四个必需参数llm、vectorstore、document_contents 和 metadata_field_info。 llm 用于传递语言模型。vectorstore 用于传递一个向量存储空间document_contents 参数指文档内容的简短描述。metadata_field_info 是 AttributeInfo 对象的序列是包含矢量数据库中数据信息的字典。我们定义了一个 AttributeInfo 对象列表其中包含每个属性及其数据类型的信息以便语言模型知道它正在处理什么。 我不打算讨论可选参数。 现在让我们看看如何处理参数。根据传入的参数我们使用一系列 if 语句来决定要做什么。 首先我们会检查是否有已定义的结构化查询翻译器。如果没有我们就使用已定义向量存储的内置翻译器。 接下来我们检查链关键字参数。我们可以将它们设置为传入的值也可以保持为空字典。在接下来的两个 if 语句中我们将继续检查这些参数。我们查找的两个键是 allowed comparators 和 operators。这些键决定了我们如何编写过滤表达式。 定义好一切后我们就可以创建查询构造函数了。我们需要传递 LLM、文档内容描述、元数据字段、是否要启用限制以及要传递给链的关键字参数。定义完所有这些元素后函数将返回一个 Runnable 对象允许我们执行指定的脚本。 query_constructor load_query_constructor_runnable(llm,document_contents,metadata_field_info,enable_limitenable_limit,**chain_kwargs,)在这个类方法的最后我们需要返回 自查询检索器。该方法返回 self query 类的一个实例。我们传入刚刚定义的查询构造函数以及传入的向量存储、是否使用原始查询、翻译器和关键字参数列表。 return cls(query_constructorquery_constructor,vectorstorevectorstore,use_original_queryuse_original_query,structured_query_translatorstructured_query_translator,**kwargs,)通过这种方法我们只需传递四个必填字段即可创建 RAG 应用程序。LLM、矢量数据库、文档描述和元数据信息。