誰(shuí)不想從他們的文件中得到即時(shí)答案？這正是 RAG 聊天機(jī)器人所做的事——將檢索與人工智慧生成相結(jié)合，以實(shí)現(xiàn)快速、準(zhǔn)確的回應(yīng)！

在本指南中，我將向您展示如何使用 檢索增強(qiáng)生成 (RAG) 以及 LangChain 和 Streamlit 創(chuàng)建聊天機(jī)器人。該聊天機(jī)器人將從知識(shí)庫(kù)中提取相關(guān)資訊並使用語(yǔ)言模型產(chǎn)生回應(yīng)。

我將引導(dǎo)您完成每個(gè)步驟，提供多種回應(yīng)產(chǎn)生選項(xiàng)，無(wú)論您使用OpenAI、Gemini 或Fireworks — 確保靈活且具有成本效益的解決方案。

什麼是檢索增強(qiáng)生成 (RAG)？

RAG 是一種結(jié)合了檢索和產(chǎn)生的方法，以提供更準(zhǔn)確和上下文感知的聊天機(jī)器人回應(yīng)。檢索過(guò)程從知識(shí)庫(kù)中提取相關(guān)文檔，而生成過(guò)程則使用語(yǔ)言模型根據(jù)檢索到的內(nèi)容創(chuàng)建連貫的回應(yīng)。這可確保您的聊天機(jī)器人可以使用最新資料回答問(wèn)題，即使語(yǔ)言模型本身尚未針對(duì)該資訊進(jìn)行專(zhuān)門(mén)訓(xùn)練。

想像一下您有一位私人助理，但他並不總是知道您問(wèn)題的答案。因此，當(dāng)你提出問(wèn)題時(shí)，他們會(huì)翻閱書(shū)籍並找到相關(guān)資訊（檢索），然後他們總結(jié)這些資訊並用自己的話(huà)告訴你（產(chǎn)生）。這本質(zhì)上就是 RAG 的工作原理，結(jié)合了兩全其美的優(yōu)點(diǎn)。

在流程圖中，RAG 流程有點(diǎn)像這樣：

現(xiàn)在，讓我們開(kāi)始吧，建立我們自己的聊天機(jī)器人！

---

設(shè)定專(zhuān)案環(huán)境

本教學(xué)中我們將主要使用 Python，如果您是 JS 頭，您可以按照說(shuō)明並瀏覽 langchain js 的文檔。

首先，我們需要設(shè)定專(zhuān)案環(huán)境。這包括建立專(zhuān)案目錄、安裝依賴(lài)項(xiàng)以及為不同語(yǔ)言模型設(shè)定 API 金鑰。

1. 建立專(zhuān)案資料夾和虛擬環(huán)境

先建立專(zhuān)案資料夾與虛擬環(huán)境：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

2.安裝依賴(lài)項(xiàng)

接下來(lái)，建立一個(gè)requirements.txt 檔案來(lái)列出所有必要的依賴(lài)項(xiàng)：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

現(xiàn)在，安裝這些相依性：

pip install -r requirements.txt

3. 設(shè)定 API 金鑰

我們將使用 OpenAI、Gemini 或 Fireworks 來(lái)產(chǎn)生聊天機(jī)器人的回應(yīng)。您可以根據(jù)自己的喜好選擇其中任何一個(gè)。

如果您正在嘗試，請(qǐng)不要擔(dān)心，F(xiàn)ireworks 免費(fèi)提供價(jià)值 1 美元的 API 金鑰，gemini-1.5-flash 型號(hào)在一定程度上也是免費(fèi)的！

設(shè)定 .env 檔案來(lái)儲(chǔ)存您首選模型的 API 金鑰：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

請(qǐng)務(wù)必註冊(cè)這些服務(wù)並取得您的 API 金鑰。 Gemini 和 Fireworks 皆提供免費(fèi)套餐，而 OpenAI 依使用情況收費(fèi)。

---

文件處理和分塊

為了提供聊天機(jī)器人上下文，我們需要處理文件並將它們分成可管理的區(qū)塊。這很重要，因?yàn)樾枰纸獯笪谋疽赃M(jìn)行嵌入和索引。

1.建立document_processor.py

建立一個(gè)名為 document_processor.py 的新 Python 腳本來(lái)處理文件處理：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

此腳本載入一個(gè)文字文件，並將其分割成約 1000 個(gè)字元的較小區(qū)塊，並有少量重疊，以確保區(qū)塊之間不會(huì)遺失上下文。處理完成後，文件就可以嵌入並建立索引了。

---

建立嵌入和索引

現(xiàn)在我們已經(jīng)對(duì)文件進(jìn)行了分塊，下一步是將它們轉(zhuǎn)換為嵌入（文字的數(shù)字表示）並為它們建立索引以便快速檢索。 （因?yàn)闄C(jī)器理解數(shù)字比理解單字更容易）

1.創(chuàng)建embedding_indexer.py

建立另一個(gè)名為 embedding_indexer.py 的腳本：

pip install -r requirements.txt

在此腳本中，嵌入是使用 Hugging Face 模型（all-MiniLM-L6-v2）建立的。然後，我們將這些嵌入儲(chǔ)存在 FAISS 向量?jī)?chǔ)存中，這使我們能夠根據(jù)查詢(xún)快速檢索相似的文字區(qū)塊。

---

實(shí)施檢索和回應(yīng)生成

令人興奮的部分來(lái)了：將檢索與語(yǔ)言生成結(jié)合！現(xiàn)在，您將建立一個(gè) RAG 鏈 ，它從向量?jī)?chǔ)存中取得相關(guān)區(qū)塊並使用語(yǔ)言模型產(chǎn)生回應(yīng)。 （向量?jī)?chǔ)存是一個(gè)資料庫(kù)，我們儲(chǔ)存轉(zhuǎn)換為數(shù)字作為向量的資料）

1.創(chuàng)建rag_chain.py

讓我們建立檔案 rag_chain.py：

# Uncomment your API key
# OPENAI_API_KEY=your_openai_api_key_here
# GEMINI_API_KEY=your_gemini_api_key_here
# FIREWORKS_API_KEY=your_fireworks_api_key_here

在這裡，我們根據(jù)您提供的 API 金鑰在 OpenAI、Gemini 或 Fireworks 之間進(jìn)行選擇。 RAG 鏈將檢索前 3 個(gè)最相關(guān)的文檔，並使用語(yǔ)言模型產(chǎn)生回應(yīng)。

您可以根據(jù)自己的預(yù)算或使用偏好在模型之間切換 - Gemini 和 Fireworks 是免費(fèi)的，而 OpenAI 根據(jù)使用情況收費(fèi)。

---

建構(gòu)聊天機(jī)器人介面

現(xiàn)在，我們將建立一個(gè)簡(jiǎn)單的聊天機(jī)器人介面，以使用我們的 RAG 鏈獲取用戶(hù)輸入並產(chǎn)生回應(yīng)。

1.創(chuàng)建chatbot.py

建立一個(gè)名為chatbot.py的新檔案：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

此腳本建立一個(gè)命令列聊天機(jī)器人介面，持續(xù)偵聽(tīng)使用者輸入，透過(guò) RAG 鏈對(duì)其進(jìn)行處理，並傳回產(chǎn)生的回應(yīng)。

---

建立 Streamlit UI

是時(shí)候使用 Streamlit 建立 Web 介面，讓您的聊天機(jī)器人更加用戶(hù)友好。這將允許用戶(hù)透過(guò)瀏覽器與您的聊天機(jī)器人互動(dòng)。

1.創(chuàng)建app.py

建立app.py：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

2. 運(yùn)行 Streamlit 應(yīng)用程式

要運(yùn)行您的 Streamlit 應(yīng)用程序，只需使用：

pip install -r requirements.txt

這將啟動(dòng)一個(gè)網(wǎng)頁(yè)介面，您可以在其中上傳文字檔案、提出問(wèn)題並從聊天機(jī)器人接收答案。

---

優(yōu)化效能

為了獲得更好的效能，您可以在分割文字時(shí)嘗試區(qū)塊大小和重疊。較大的區(qū)塊提供更多上下文，但較小的區(qū)塊可能使檢索速度更快。您也可以使用 Streamlit 快取 來(lái)避免重複產(chǎn)生嵌入等昂貴的操作。

如果您想要最佳化成本，可以依照查詢(xún)複雜度在OpenAI、Gemini 或Fireworks 之間切換— 使用OpenAI對(duì)於複雜的問(wèn)題，Gemini 或Fireworks 對(duì)於更簡(jiǎn)單的問(wèn)題以降低成本。

---

總結(jié)

恭喜！您已成功創(chuàng)建自己的基於 RAG 的聊天機(jī)器人?，F(xiàn)在，可能性是無(wú)限的：

創(chuàng)建您自己的個(gè)人化學(xué)習(xí)夥伴。
不再需要查看冗長(zhǎng)的文件 - 只需「RAG it out」即可獲得快速、準(zhǔn)確的答案！

旅程從這裡開(kāi)始，潛力無(wú)限！

---

您可以在 GitHub 上關(guān)注我的工作。請(qǐng)隨時(shí)與我聯(lián)繫 - 我的 DM 在 X 和 LinkedIn 上始終開(kāi)放。

以上是創(chuàng)建您自己的 AI RAG 聊天機(jī)器人：LangChain 的 Python 指南的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！