神奇cpp

这个屌丝很懒，什么也没留下！

热门标签

LangChain4j-RAG高级-检索增强器_bgesmallenv15quantizedembeddingmodel

作者：神奇cpp | 2024-08-07 21:47:56

踩

bgesmallenv15quantizedembeddingmodel

Retrieval Augmentor 检索增强器

RetrievalAugmentor 是 RAG 管道的入口点。它负责使用从各种来源检索的相关 Content 来扩充 ChatMessage 。

可以在创建 AiService 期间指定 RetrievalAugmentor 的实例：


Assistant assistant = AiServices.builder(Assistant.class)
    ...
    .retrievalAugmentor(retrievalAugmentor)
    .build();

每次调用 AiService 时，都会调用指定的 RetrievalAugmentor 来扩充当前的 UserMessage 。

可以使用LangChain4j中提供的 RetrievalAugmentor 的默认实现(DefaultRetrievalAugmentor) 或实现自定义实现。

Default Retrieval Augmentor 默认检索增强器

LangChain4j 提供了RetrievalAugmentor接口的现成实现： DefaultRetrievalAugmentor ，它应该适合大多数 RAG 用例。

官方使用示例:


public class _04_Advanced_RAG_with_Metadata_Example {
 
    /**
     * Please refer to {@link Naive_RAG_Example} for a basic context.
     * <p>
     * Advanced RAG in LangChain4j is described here: https://github.com/langchain4j/langchain4j/pull/538
     * <p>
     * This example illustrates how to include document source and other metadata into the LLM prompt.
     */
 
    public static void main(String[] args) {
 
        Assistant assistant = createAssistant("documents/miles-of-smiles-terms-of-use.txt");
 
        // Ask "What is the name of the file where cancellation policy is defined?".
        // Observe how "file_name" metadata entry was injected into the prompt.
        startConversationWith(assistant);
    }
 
    private static Assistant createAssistant(String documentPath) {
 
        Document document = loadDocument(toPath(documentPath), new TextDocumentParser());
 
        EmbeddingModel embeddingModel = new BgeSmallEnV15QuantizedEmbeddingModel();
 
        EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();
 
        EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()
                .documentSplitter(DocumentSplitters.recursive(300, 0))
                .embeddingModel(embeddingModel)
                .embeddingStore(embeddingStore)
                .build();
 
        ingestor.ingest(document);
 
        ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
                .embeddingStore(embeddingStore)
                .embeddingModel(embeddingModel)
                .build();
 
        // Each retrieved segment should include "file_name" and "index" metadata values in the prompt
        ContentInjector contentInjector = DefaultContentInjector.builder()
                // .promptTemplate(...) // Formatting can also be changed
                .metadataKeysToInclude(asList("file_name", "index"))
                .build();
 
        RetrievalAugmentor retrievalAugmentor = DefaultRetrievalAugmentor.builder()
                .contentRetriever(contentRetriever)
                .contentInjector(contentInjector)
                .build();
 
        ChatLanguageModel chatLanguageModel = OpenAiChatModel.builder()
                .apiKey(OPENAI_API_KEY)
                .baseUrl(OPENAI_API_URL)
                .logRequests(true)
                .build();
 
        return AiServices.builder(Assistant.class)
                .chatLanguageModel(chatLanguageModel)
                .retrievalAugmentor(retrievalAugmentor)
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
                .build();
    }
}

源码逻辑梳理:

用户在定义AiService的时候需要设置是否需要检索增强器
在触发AiService的调用的时候会在invoke()函数中检查是否有添加RetrievalAugmentor增强器
如果有则会调用context.retrievalAugmentor.augment(augmentationRequest)对Query进行处理:

augment()方法中使用的QueryTransformer有三种实现类:

- DefaultQueryTransformer: 默认的转换器，不会对Query做任何处理，而是封装成集合后返回。
- ExpandingQueryTransformer: 扩展转换器，对Query进行措辞的修改和拆分为多个（默认3个）具体的Query，达到增强效果。
- CompressingQueryTransformer：压缩转换器，根据提供的历史聊天和当前提问内容，LLM理解后会给出更精确的提问。

Query

Query表示 RAG 管道中的用户查询。它包含查询文本和查询元数据。

Query Metadata 查询元数据

Query中的Metadata包含可能对 RAG 管道的各个组件有用的信息，例如：

Metadata.userMessage() - 应该增强的原始UserMessage
Metadata.chatMemoryId() - @MemoryId注释的方法参数的值。这可用于识别用户并在检索期间应用访问限制或过滤器。
Metadata.chatMemory() - 所有历史的ChatMessages 。这可以帮助理解提出Query的上下文。

Query Transformer 查询转换

QueryTransformer将给定的Query转换为一个或多个Query 。目标是通过修改或扩展原始Query来提高检索质量。

一些已知的改进检索的方法包括：

Query compression 查询压缩
Query expansion 查询扩展
Query re-writing 查询重写
Step-back prompting 后退提示
Hypothetical document embeddings (HyDE) 假设文档嵌入

Content

Content表示与用户Query相关的内容。目前，它仅限于文本内容（即TextSegment ），但将来它可能支持其他模式（例如，图像、音频、视频等）。

Content Retriever 内容检索

ContentRetriever使用给定的Query从底层数据源检索Content 。底层数据源几乎可以是任何东西：

Embedding store 陷入存储
Full-text search engine 全文搜索引擎
Hybrid of vector and full-text search 矢量和全文搜索的混合
Web Search Engine 网络搜索引擎
Knowledge graph 知识图谱
SQL database SQL数据库

Embedding Store Content Retriever 嵌入存入内容检索

EmbeddingStoreContentRetriever使用EmbeddingModel来嵌入Query从EmbeddingStore检索相关Content 。

使用示例:


EmbeddingStore embeddingStore = ...
EmbeddingModel embeddingModel = ...
 
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
    .embeddingStore(embeddingStore)
    .embeddingModel(embeddingModel)
    .maxResults(3)
     // maxResults can also be specified dynamically depending on the query
    .dynamicMaxResults(query -> 3)
    .minScore(0.75)
     // minScore can also be specified dynamically depending on the query
    .dynamicMinScore(query -> 0.75)
    .filter(metadataKey("userId").isEqualTo("12345"))
    // filter can also be specified dynamically depending on the query
    .dynamicFilter(query -> {
        String userId = getUserId(query.metadata().chatMemoryId());
        return metadataKey("userId").isEqualTo(userId);
    })
    .build();

Web Search Content Retriever 网络搜索内容

WebSearchContentRetriever使用WebSearchEngine从网络检索相关Content 。

目前WebSearchEngine接口有 2 个实现:

langchain4j-web-search-engine-google-custom模块中的GoogleCustomWebSearchEngine
langchain4j-web-search-engine-tavily模块中的TavilyWebSearchEngine

使用示例:


WebSearchEngine googleSearchEngine = GoogleCustomWebSearchEngine.builder()
        .apiKey(System.getenv("GOOGLE_API_KEY"))
        .csi(System.getenv("GOOGLE_SEARCH_ENGINE_ID"))
        .build();
 
ContentRetriever contentRetriever = WebSearchContentRetriever.builder()
        .webSearchEngine(googleSearchEngine)
        .maxResults(3)
        .build();

SQL Database Content Retriever SQL数据库内容检索

SqlDatabaseContentRetriever是ContentRetriever的实验性实现，可以在langchain4j-experimental-sql模块中找到。后续可能会删除或改动较大，所以并不推荐直接使用到生产。

它使用DataSource和LLM为给定的自然语言Query生成并执行 SQL 查询。

使用示例:


public class _10_Advanced_RAG_SQL_Database_Retreiver_Example {
 
 
    /**
     * Please refer to {@link Naive_RAG_Example} for a basic context.
     * <p>
     * Advanced RAG in LangChain4j is described here: https://github.com/langchain4j/langchain4j/pull/538
     * <p>
     * This example demonstrates how to use SQL database content retriever.
     * <p>
     * WARNING! Although fun and exciting, {@link SqlDatabaseContentRetriever} is dangerous to use!
     * Do not ever use it in production! The database user must have very limited READ-ONLY permissions!
     * Although the generated SQL is somewhat validated (to ensure that the SQL is a SELECT statement),
     * there is no guarantee that it is harmless. Use it at your own risk!
     * <p>
     * In this example we will use an in-memory H2 database with 3 tables: customers, products and orders.
     * See "resources/sql" directory for more details.
     * <p>
     * This example requires "langchain4j-experimental-sql" dependency.
     */
 
    public static void main(String[] args) {
 
        Assistant assistant = createAssistant();
 
        // You can ask questions such as "How many customers do we have?" and "What is our top seller?".
        startConversationWith(assistant);
    }
 
    private static Assistant createAssistant() {
 
        DataSource dataSource = createDataSource();
 
        ChatLanguageModel chatLanguageModel = OpenAiChatModel.withApiKey(OPENAI_API_KEY);
 
        ContentRetriever contentRetriever = SqlDatabaseContentRetriever.builder()
                .dataSource(dataSource)
                .chatLanguageModel(chatLanguageModel)
                .build();
 
        return AiServices.builder(Assistant.class)
                .chatLanguageModel(chatLanguageModel)
                .contentRetriever(contentRetriever)
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
                .build();
    }
 
    private static DataSource createDataSource() {
 
        JdbcDataSource dataSource = new JdbcDataSource();
        dataSource.setURL("jdbc:h2:mem:test;DB_CLOSE_DELAY=-1");
        dataSource.setUser("sa");
        dataSource.setPassword("sa");
 
        String createTablesScript = read("sql/create_tables.sql");
        execute(createTablesScript, dataSource);
 
        String prefillTablesScript = read("sql/prefill_tables.sql");
        execute(prefillTablesScript, dataSource);
 
        return dataSource;
    }
 
    private static String read(String path) {
        try {
            return new String(Files.readAllBytes(toPath(path)));
        } catch (IOException e) {
            throw new RuntimeException(e);
        }
    }
 
    private static void execute(String sql, DataSource dataSource) {
        try (Connection connection = dataSource.getConnection(); Statement statement = connection.createStatement()) {
            for (String sqlStatement : sql.split(";")) {
                statement.execute(sqlStatement.trim());
            }
        } catch (SQLException e) {
            throw new RuntimeException(e);
        }
    }
}

Azure AI Search Content Retriever Azure AI 搜索内容检索

AzureAiSearchContentRetriever可以在langchain4j-azure-ai-search模块中找到。

Neo4j Content Retriever Neo4j 内容检索

Neo4jContentRetriever可以在langchain4j-neo4j模块中找到。

Query Router 查询路由

QueryRouter负责将Query路由到适当的ContentRetriever 。

Default Query Router 默认查询路由

DefaultQueryRouter是DefaultRetrievalAugmentor中使用的默认实现。它将每个Query路由到所有配置的ContentRetriever 。

Language Model Query Router 大语言模型查询路由

LanguageModelQueryRouter使用LLM决定将给定的Query路由到何处。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/神奇cpp/article/detail/944649