基于langchain的agentic+RAG+智谱清言+HuggingFace的简单实现

概要

基于langchain的agentic+RAG+智谱清言+HuggingFace的简单实现

整体架构流程

Langchain Agentic-RAG的简单demo（建议使用jupyter食用）

标准操作程序（SOP）：构建索引并创建检索器

1. 概述

该操作程序用于从指定的网页中加载数据，进行文本分割和嵌入向量化，并将文档存储到一个向量数据库中。此索引可以在后续的检索任务中为 RAG（Retrieval-Augmented Generation）系统提供支持。

2. 前提条件

在执行此SOP之前，请确保系统中已安装以下Python库：

• langchain
• langchain_huggingface
• langchain_community
• chromadb
• tiktoken

命令如下：pip install langchain_community tiktoken langchain-openai langchain-cohere langchainhub chromadb langchain langgraph tavily-python -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 操作步骤

3.1 导入必要的库和模块

首先，导入所有需要的库和模块，确保后续的代码能够顺利执行。

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings

3.2 配置嵌入模型

这儿采用hugingface中的开源模型，可以下载到本地，也可以在线使用，不用api-key
附上国内的镜像网站：https://hf-mirror.com/

选择并配置一个HuggingFace嵌入模型，当前代码使用的是 moka-ai/m3e-base。此模型将用于将文本转换为嵌入向量。至于为什么用m3e embedding,因为其预训练的语料库大部分是基于中文的，对中文的语义理解效果较好

# Set embeddings
embd = HuggingFaceEmbeddings(model_name="moka-ai/m3e-base")

3.3 指定待加载的网页URL

将需要加载的网页链接存储在 urls 列表中。每个链接将被加载并进行文本处理。（此处是我之前写的博客文章，关于langchain的）

# Docs to index
urls = [
    "https://blog.csdn.net/qq_44742936/article/details/144132892?spm=1001.2014.3001.5501",
    "https://blog.csdn.net/qq_44742936/article/details/143329561?spm=1001.2014.3001.5501",
    "https://blog.csdn.net/qq_44742936/article/details/143452968?spm=1001.2014.3001.5501",
]

3.4 加载网页内容

使用 WebBaseLoader 加载网页内容，将其转换为文档对象。每个URL都将通过 WebBaseLoader 加载并存储为文档。

# Load
docs = [WebBaseLoader(url).load() for url in urls]
docs_list = [item for sublist in docs for item in sublist]

3.5 文本分割

为了提高向量存储和检索效率，需要将文档内容分割成较小的文本块。使用 RecursiveCharacterTextSplitter 进行分割，设置 chunk_size 为500字符，并确保文本块之间没有重叠。

# Split
text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(
    chunk_size=500, chunk_overlap=0
)
doc_splits = text_splitter.split_documents(docs_list)

3.6 将文档存储到向量数据库

使用 Chroma 向量数据库将分割后的文档嵌入向量存储。配置好存储路径和嵌入模型，确保数据能够持久化。

# Add to vectorstore
vectorstore = Chroma.from_documents(
    documents=doc_splits,
    collection_name="rag-chroma-glm-long",
    embedding=embd,
    persist_directory="./chroma_agentic_rag_glm_long"
)

说明：存储路径 ./chroma_agentic_rag_glm_long 可以根据需要调整，确保该目录具有适当的写权限。

后面可直接从向量数据库中进行加载

# 直接加载
vectorstore = Chroma(
    embedding_function=embd,
    persist_directory="./chroma_adaptive_rag"
)

3.7 创建检索器

通过 Chroma 向量存储创建一个检索器（Retriever），该检索器将用于后续的文本查询和信息检索任务。

retriever = vectorstore.as_retriever()

3.8导入必要的库和模块

首先，导入所有必要的库和模块，确保后续的操作可以正常执行。

from langchain.tools.retriever import create_retriever_tool
from typing import Annotated, Sequence
from typing_extensions import TypedDict
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages

3.9 创建检索工具

通过 create_retriever_tool 方法创建检索工具，这个工具将允许我们向大语言模型（LLM）提交查询，并从已构建的检索器中查找相关信息。

# 创建检索工具
retriever_tool = create_retriever_tool(
    retriever,  # 使用之前创建的 retriever
    "检索信息提交",  # 工具名称
    "查找并返回小五郎关于langchain用法的相关描述."  # 工具描述
)
tools = [retriever_tool]  # 将工具加入工具列表

• name: 为检索工具设置唯一且描述性的名称，在模型交互中用作识别标识。
• description: 该字段描述了工具的作用，例如查找并返回与Langchain相关的描述。

3.10 定义 AgentState 类型

定义 AgentState 类型，用于存储代理状态及其相关消息。我们使用 add_messages 来更新消息，而不是简单替换。

# 定义 AgentState 类型