解鎖Agentic RAG，使用LangChain和OpenAI進(jìn)行實(shí)踐
Agentic RAG技術(shù)是一種新興的智能體驅(qū)動(dòng)解決方案，能夠應(yīng)對(duì)復(fù)雜的多文檔問答挑戰(zhàn)。這項(xiàng)技術(shù)通過智能化手段，不僅提升了我們處理文本數(shù)據(jù)的效率，還極大地增強(qiáng)了問答系統(tǒng)的準(zhǔn)確性和深度。本文帶大家來了解這項(xiàng)技術(shù)，闡述其如何提升信息檢索和分析的效率與準(zhǔn)確性。
1 Agentic RAG簡介
Agentic RAG是由智能體驅(qū)動(dòng)的技術(shù)，能夠靈活處理多文檔問答任務(wù)。這項(xiàng)技術(shù)不僅能比較文檔、總結(jié)內(nèi)容，還能對(duì)多個(gè)摘要進(jìn)行對(duì)比分析。
正因如此，我們不完全依賴于大型語言模型，而是通過智能體來承擔(dān)那些需要深思熟慮、邏輯推理、工具運(yùn)用以及持續(xù)學(xué)習(xí)的任務(wù)。Agentic RAG通過智能化手段，提高了解決復(fù)雜問題的能力，讓問答更加高效和精確。
2 基本架構(gòu)
基本架構(gòu)是為每個(gè)文檔設(shè)置一個(gè)文檔智能體，每個(gè)文檔智能體都能在其自己的文檔內(nèi)執(zhí)行問答和摘要。
然后，設(shè)置一個(gè)頂級(jí)智能體（元智能體）來管理所有這些較低級(jí)別的文檔智能體。
3 技術(shù)棧
技術(shù)棧包括以下幾個(gè)核心組件：
- Langchain：特別是LCEL，這是用于構(gòu)建大型語言模型（LLM）應(yīng)用的編排框架。
- OpenAI：提供我們需要的大型語言模型（LLM）。
- FAISS-cpu：用作向量存儲(chǔ)解決方案。
- 數(shù)據(jù)源：我們使用ArxivLoader來檢索arXiv上發(fā)表文章的元數(shù)據(jù)。
4 代碼實(shí)現(xiàn)
安裝所需的依賴項(xiàng)：
!pip install -qU langchain langchain_openai langgraph arxiv duckduckgo-search
!pip install -qU faiss-cpu pymupdf設(shè)置環(huán)境變量：
from google.colab import userdata
from uuid import uuid4
import os
#
os.environ['OPENAI_API_KEY'] = userdata.get('OPENAI_API_KEY')
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = f"AIE1 - LangGraph - {uuid4().hex[0:8]}"
os.environ["LANGCHAIN_API_KEY"] = userdata.get('LANGCHAIN_API_KEY')使用LCEL實(shí)例化一個(gè)簡單的檢索鏈。
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import ArxivLoader
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
# 加載特定主題的文檔
docs = ArxivLoader(query="Retrieval Augmented Generation", load_max_docs=5).load()
# 將文檔分割成更小的塊
text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(
chunk_size=350, chunk_overlap=50
)
chunked_documents = text_splitter.split_documents(docs)
#
# 實(shí)例化嵌入模型
embeddings = OpenAIEmbeddings(model="text-embedding-3-small",openai_api_key=os.environ['OPENAI_API_KEY'])
# 創(chuàng)建索引-將文檔塊加載到向量存儲(chǔ)中
faiss_vectorstore = FAISS.from_documents(
documents=chunked_documents,
embedding=embeddings,
)
# 創(chuàng)建檢索器
retriever = faiss_vectorstore.as_retriever()生成RAG提示：
from langchain_core.prompts import ChatPromptTemplate
RAG_PROMPT = """\
使用以下上下文回答用戶的查詢。如果你不能回答問題，請(qǐng)回答“我不知道”。
問題：
{question}
上下文：
{context}
"""
rag_prompt = ChatPromptTemplate.from_template(RAG_PROMPT)實(shí)例化LLM：
from langchain_openai import ChatOpenAI
openai_chat_model = ChatOpenAI(model="gpt-3.5-turbo")構(gòu)建LCEL RAG鏈：
from operator import itemgetter
from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough
retrieval_augmented_generation_chain = (
{"context": itemgetter("question")
| retriever, "question": itemgetter("question")}
| RunnablePassthrough.assign(cnotallow=itemgetter("context"))
| {"response": rag_prompt | openai_chat_model, "context": itemgetter("context")}
)
#
retrieval_augmented_generation_chain響應(yīng)：
{
"response": "AIMessage(cnotallow='Retrieval Augmented Generation 是一種結(jié)合了深度學(xué)習(xí)技術(shù)和傳統(tǒng)檢索技術(shù)的文本生成范式。它通過顯式獲取知識(shí)以插件方式，引領(lǐng)了許多NLP任務(wù)的可擴(kuò)展性和可能緩解文本生成的難度。它涉及從檢索到的人類編寫的參考資料中生成文本，而不是從頭開始生成。', response_metadata={'token_usage': {'completion_tokens': 73, 'prompt_tokens': 2186, 'total_tokens': 2259}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_b28b39ffa8', 'finish_reason': 'stop', 'logprobs': None})",
"context": "[Document(page_cnotallow='...'), Document(page_cnotallow='...'), Document(page_cnotallow='...')]"
}構(gòu)建工具箱：
為了使智能體能夠回答各種問題并引入外部知識(shí)，通常會(huì)給其配備一個(gè)工具箱。
LangChain社區(qū)的存儲(chǔ)庫（https://github.com/langchain-ai/langchain/tree/master/libs/community/langchain_community/tools）中提供了眾多工具，這里選擇了幾種來使用，這樣可以更直觀地展示LangGraph的循環(huán)特性。
具體來說，將整合以下工具：
- Duck Duck Go網(wǎng)絡(luò)搜索（https://github.com/langchain-ai/langchain/tree/master/libs/community/langchain_community/tools/ddg_search）
- Arxiv學(xué)術(shù)文獻(xiàn)檢索（https://github.com/langchain-ai/langchain/tree/master/libs/community/langchain_community/tools/arxiv)）
from langchain_community.tools.ddg_search import DuckDuckGoSearchRun
from langchain_community.tools.arxiv.tool import ArxivQueryRun
from langgraph.prebuilt import ToolExecutor
tool_belt = [
DuckDuckGoSearchRun(),
ArxivQueryRun()
]
tool_executor = ToolExecutor(tool_belt)實(shí)例化OpenAI函數(shù)調(diào)用：
from langchain_core.utils.function_calling import convert_to_openai_function
#
model = ChatOpenAI(temperature=0)
#
functions = [convert_to_openai_function(t) for t in tool_belt]
model = model.bind_functions(functions)使用LangGraph：
LangGraph通過StatefulGraph來實(shí)現(xiàn)，這個(gè)結(jié)構(gòu)使用AgentState對(duì)象在圖的不同節(jié)點(diǎn)間傳遞信息。
雖然有很多配置選項(xiàng)，但核心是AgentState對(duì)象，它被存儲(chǔ)在一個(gè)TypedDict中。這個(gè)對(duì)象的鍵是“messages”，對(duì)應(yīng)的值是一個(gè)BaseMessages的序列，每當(dāng)狀態(tài)發(fā)生變化時(shí)，新的消息就會(huì)被添加到這個(gè)序列中。
from typing import TypedDict, Annotated, Sequence
import operator
from langchain_core.messages import BaseMessage
class AgentState(TypedDict):
messages: Annotated[Sequence[BaseMessage], operator.add]
構(gòu)建節(jié)點(diǎn)
call_model是一個(gè)節(jié)點(diǎn)，將...嗯...調(diào)用模型
call_tool是一個(gè)節(jié)點(diǎn)，將調(diào)用工具
```python
from langgraph.prebuilt import ToolInvocation
import json
from langchain_core.messages import FunctionMessage
def call_model(state):
messages = state["messages"]
response = model.invoke(messages)
return {"messages" : [response]}
def call_tool(state):
last_message = state["messages"][-1]
action = ToolInvocation(
tool=last_message.additional_kwargs["function_call"]["name"],
tool_input=json.loads(
last_message.additional_kwargs["function_call"]["arguments"]
)
)
response = tool_executor.invoke(action)
function_message = FunctionMessage(cnotallow=str(response), name=action.tool)
return {"messages" : [function_message]}構(gòu)建工作流：
from langgraph.graph import StateGraph, END
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.add_node("action", call_tool)
workflow.nodes設(shè)置入口點(diǎn)：
workflow.set_entry_point("agent")構(gòu)建條件邊進(jìn)行路由：
def should_continue(state):
last_message = state["messages"][-1]
if"function_call"notin last_message.additional_kwargs:
return"end"
return"continue"
workflow.add_conditional_edges(
"agent",
should_continue,
{
"continue" : "action",
"end" : END
}
)最后將條件邊連接到智能體節(jié)點(diǎn)和動(dòng)作節(jié)點(diǎn)：
workflow.add_edge("action", "agent")編譯工作流：
app = workflow.compile()
#
app調(diào)用LangGraph - 提問：
from langchain_core.messages import HumanMessage
inputs = {"messages" : [HumanMessage(cnotallow="在大型語言模型的背景下，RAG是什么？它是什么時(shí)候出現(xiàn)的？")]}
response = app.invoke(inputs)
print(response)響應(yīng)：
{
"messages": [
HumanMessage(cnotallow="在大型語言模型的背景下，RAG是什么？它是什么時(shí)候出現(xiàn)的？"),
AIMessage(cnotallow='', additional_kwargs={'function_call': {'arguments': '{"query":"RAG in the context of Large Language Models"}', 'name': 'duckduckgo_search'}}, response_metadata={'token_usage': {'completion_tokens': 25, 'prompt_tokens': 171, 'total_tokens': 196}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_b28b39ffa8', 'finish_reason': 'function_call', 'logprobs': None}),
FunctionMessage(cnotallow="大型語言模型（LLMs）是處理和生成文本的非常強(qiáng)大的工具。然而，它們天生難以理解更廣泛的信息背景，特別是在處理長篇對(duì)話或復(fù)雜任務(wù)時(shí)。這就是大型上下文窗口和檢索增強(qiáng)生成（RAG）發(fā)揮作用的地方。這些先進(jìn)的、泛化的語言模型是在龐大的數(shù)據(jù)集上訓(xùn)練的，使它們能夠理解和生成類似人類的文本。在RAG的背景下，LLMs被用來基于用戶查詢和從向量數(shù)據(jù)庫檢索的上下文信息生成完整的響應(yīng)。在語言模型快速發(fā)展的背景下，檢索增強(qiáng)生成（RAG）和長上下文大型語言模型（LLMs）之間的辯論引起了廣泛關(guān)注。檢索增強(qiáng)生成（RAG）是一個(gè)AI框架，通過將模型基于外部知識(shí)源來補(bǔ)充LLM的內(nèi)部信息表示，從而提高LLM生成響應(yīng)的質(zhì)量。在基于LLM的問答系統(tǒng)中實(shí)施RAG有兩個(gè)主要好處：它確保模型有... RAG代表檢索增強(qiáng)生成。RAG使大型語言模型（LLM）能夠訪問和利用最新的信息。因此，它提高了LLM的響應(yīng)質(zhì)量和相關(guān)性。下面是一個(gè)簡單的RAG實(shí)現(xiàn)圖。", name='duckduckgo_search'),
AIMessage(cnotallow="在大型語言模型（LLMs）的背景下，RAG代表檢索增強(qiáng)生成。它是一個(gè)AI框架，通過將模型基于外部知識(shí)源來補(bǔ)充LLM的內(nèi)部信息表示，從而提高LLM生成響應(yīng)的質(zhì)量。RAG使LLM能夠訪問和利用最新的信息，從而提高模型生成的響應(yīng)的相關(guān)性和質(zhì)量。RAG作為增強(qiáng)LLM在理解和生成類似人類文本的能力的方式，在語言模型快速發(fā)展的領(lǐng)域中出現(xiàn)。", response_metadata={'token_usage': {'completion_tokens': 117, 'prompt_tokens': 491, 'total_tokens': 608}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_3bc1b5746c', 'finish_reason': 'stop', 'logprobs': None})
]
}響應(yīng)內(nèi)容：
RAG代表檢索增強(qiáng)生成，在大型語言模型（LLMs）的背景下。它是一個(gè)AI框架，通過將模型基于外部知識(shí)源來補(bǔ)充LLM的內(nèi)部信息表示，從而提高LLM生成響應(yīng)的質(zhì)量。RAG使LLM能夠訪問和利用最新的信息，從而提高模型生成的響應(yīng)的相關(guān)性和質(zhì)量。RAG作為增強(qiáng)LLM在理解和生成類似人類文本的能力的方式，在語言模型快速發(fā)展的領(lǐng)域中出現(xiàn)。
提問：
問題 = "檢索增強(qiáng)生成論文的主要作者是誰 - 他們參加了哪所大學(xué)？"
inputs = {"messages" : [HumanMessage(cnotallow=問題)]}
response = app.invoke(inputs) print(response['messages'][-1].content)
**響應(yīng)：**
關(guān)于“檢索增強(qiáng)生成”論文的主要作者是Huayang Li。不幸的是，提供的摘要中沒有提到他們參加的大學(xué)。
**提問：**
問題 = "檢索增強(qiáng)生成論文的主要作者是誰？"
inputs = {"messages" : [HumanMessage(cnotallow=問題)]}
response = app.invoke(inputs)
print(response['messages'][-1].content)響應(yīng)：論文“檢索增強(qiáng)文本生成”的主要作者是Huayang Li、Yixuan Su、Deng Cai、Yan Wang和Lemao Liu。
本文轉(zhuǎn)載自 ??AI科技論談??，作者： AI科技論談
