Construire une application RAG native avec Ollama+LangChain

Le didacticiel suppose que vous êtes déjà familiarisé avec les concepts suivants.

• Modèles de chat
• Enchaînement d'éléments d'exécution
• Emboîtements
• Magasins vectoriels
• Génération augmentée par la recherche

De nombreux articles populaires tels que llama.cpp , Ollama et Fichier de lama montre qu'il est important d'utiliser de grands modèles linguistiques dans des environnements locaux.

LangChain est similaire à un certain nombre d'applications locales de type Fournisseurs de LLM à source ouverte Il existe des intégrations, et Ollama est l'une d'entre elles.

Paramètres environnementaux

Tout d'abord, nous devons configurer l'environnement.

Le dépôt GitHub d'Ollama fournit une description détaillée, résumée comme suit.

• Télécharger et exécuter l'application Ollama
• À partir de la ligne de commande, consultez la liste des modèles Ollama et le fichier Liste des modèles d'intégration de texte Tirer le modèle. Dans ce tutoriel, nous prenons le llama3.1:8b répondre en chantant nomic-embed-text Exemple.
  • entrée de la ligne de commande ollama pull llama3.1:8bExtraction de grands modèles linguistiques génériques à source ouverte llama3.1:8b
  • entrée de la ligne de commande ollama pull nomic-embed-text tirer Modèle d'intégration de texte nomic-embed-text
• Lorsque l'application est en cours d'exécution, tous les modèles se trouvent automatiquement dans l'application localhost:11434 remonter le courant
• Notez que votre choix de modèle doit prendre en compte les capacités de votre matériel local, la taille de la mémoire vidéo de référence pour ce tutoriel. GPU Memory > 8GB

Ensuite, installez les paquets nécessaires à l'intégration locale, au stockage des vecteurs et à l'inférence du modèle.

# langchain_community
%pip install -qU langchain langchain_community
# Chroma
%pip install -qU langchain_chroma
# Ollama
%pip install -qU langchain_ollama

Note: you may need to restart the kernel to use updated packages.
Note: you may need to restart the kernel to use updated packages.
Note: you may need to restart the kernel to use updated packages.

Vous pouvez également voir cette page pour une liste complète des modèles d'intégration disponibles

Chargement des documents

Chargeons maintenant un exemple de document et scindons-le.

Nous utiliserons l'article de Lilian Weng sur l'agent blog (mot d'emprunt) A titre d'exemple.

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://lilianweng.github.io/posts/2023-06-23-agent/")
data = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
all_splits = text_splitter.split_documents(data)

Ensuite, le magasin de vecteurs est initialisé. Le modèle d'intégration de texte que nous utilisons est le suivant nomic-embed-text .

from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings
local_embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = Chroma.from_documents(documents=all_splits, embedding=local_embeddings)

Nous disposons maintenant d'une base de données vectorielle locale ! Testons brièvement la recherche de similarité.

question = "What are the approaches to Task Decomposition?"
docs = vectorstore.similarity_search(question)
len(docs)

4

docs[0]

Document(metadata={'description': 'Building agents with LLM (large language model) as its core controller is a cool concept. Several proof-of-concepts demos, such as AutoGPT, GPT-Engineer and BabyAGI, serve as inspiring examples. The potentiality of LLM extends beyond generating well-written copies, stories, essays and programs; it can be framed as a powerful general problem solver.\nAgent System Overview In a LLM-powered autonomous agent system, LLM functions as the agent’s brain, complemented by several key components:', 'language': 'en', 'source': 'https://lilianweng.github.io/posts/2023-06-23-agent/', 'title': "LLM Powered Autonomous Agents | Lil'Log"}, page_content='Task decomposition can be done (1) by LLM with simple prompting like "Steps for XYZ.\\n1.", "What are the subgoals for achieving XYZ?", (2) by using task-specific instructions; e.g. "Write a story outline." for writing a novel, or (3) with human inputs.')

Ensuite, instanciez le grand modèle linguistique llama3.1:8b et vérifier si le raisonnement par modèle fonctionne correctement :

from langchain_ollama import ChatOllama
model = ChatOllama(
model="llama3.1:8b",
)

response_message = model.invoke(
"Simulate a rap battle between Stephen Colbert and John Oliver"
)
print(response_message.content)

**The scene is set: a packed arena, the crowd on their feet. In the blue corner, we have Stephen Colbert, aka "The O'Reilly Factor" himself. In the red corner, the challenger, John Oliver. The judges are announced as Tina Fey, Larry Wilmore, and Patton Oswalt. The crowd roars as the two opponents face off.**
**Stephen Colbert (aka "The Truth with a Twist"):**
Yo, I'm the king of satire, the one they all fear
My show's on late, but my jokes are clear
I skewer the politicians, with precision and might
They tremble at my wit, day and night
**John Oliver:**
Hold up, Stevie boy, you may have had your time
But I'm the new kid on the block, with a different prime
Time to wake up from that 90s coma, son
My show's got bite, and my facts are never done
**Stephen Colbert:**
Oh, so you think you're the one, with the "Last Week" crown
But your jokes are stale, like the ones I wore down
I'm the master of absurdity, the lord of the spin
You're just a British import, trying to fit in
**John Oliver:**
Stevie, my friend, you may have been the first
But I've got the skill and the wit, that's never blurred
My show's not afraid, to take on the fray
I'm the one who'll make you think, come what may
**Stephen Colbert:**
Well, it's time for a showdown, like two old friends
Let's see whose satire reigns supreme, till the very end
But I've got a secret, that might just seal your fate
My humor's contagious, and it's already too late!
**John Oliver:**
Bring it on, Stevie! I'm ready for you
I'll take on your jokes, and show them what to do
My sarcasm's sharp, like a scalpel in the night
You're just a relic of the past, without a fight
**The judges deliberate, weighing the rhymes and the flow. Finally, they announce their decision:**
Tina Fey: I've got to go with John Oliver. His jokes were sharper, and his delivery was smoother.
Larry Wilmore: Agreed! But Stephen Colbert's still got that old-school charm.
Patton Oswalt: You know what? It's a tie. Both of them brought the heat!
**The crowd goes wild as both opponents take a bow. The rap battle may be over, but the satire war is just beginning...

Construction d'expressions en chaîne

Nous pouvons transmettre le document récupéré et un simple message d'invite pour construire un summarization chain .

Il formate le modèle d'invite en utilisant les valeurs des clés d'entrée fournies et transmet la chaîne formatée au modèle spécifié :

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template(
"Summarize the main themes in these retrieved docs: {docs}"
)
# 将传入的文档转换成字符串的形式
def format_docs(docs):
return "\n\n".join(doc.page_content for doc in docs)
chain = {"docs": format_docs} | prompt | model | StrOutputParser()
question = "What are the approaches to Task Decomposition?"
docs = vectorstore.similarity_search(question)
chain.invoke(docs)

'The main themes in these documents are:\n\n1. **Task Decomposition**: The process of breaking down complex tasks into smaller, manageable subgoals is crucial for efficient task handling.\n2. **Autonomous Agent System**: A system powered by Large Language Models (LLMs) that can perform planning, reflection, and refinement to improve the quality of final results.\n3. **Challenges in Planning and Decomposition**:\n\t* Long-term planning and task decomposition are challenging for LLMs.\n\t* Adjusting plans when faced with unexpected errors is difficult for LLMs.\n\t* Humans learn from trial and error, making them more robust than LLMs in certain situations.\n\nOverall, the documents highlight the importance of task decomposition and planning in autonomous agent systems powered by LLMs, as well as the challenges that still need to be addressed.'

AQ simple

from langchain_core.runnables import RunnablePassthrough
RAG_TEMPLATE = """
You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the question. If you don't know the answer, just say that you don't know. Use three sentences maximum and keep the answer concise.
<context>
{context}
</context>
Answer the following question:
{question}"""
rag_prompt = ChatPromptTemplate.from_template(RAG_TEMPLATE)
chain = (
RunnablePassthrough.assign(context=lambda input: format_docs(input["context"]))
| rag_prompt
| model
| StrOutputParser()
)
question = "What are the approaches to Task Decomposition?"
docs = vectorstore.similarity_search(question)
# Run
chain.invoke({"context": docs, "question": question})

'Task decomposition can be done through (1) simple prompting using LLM, (2) task-specific instructions, or (3) human inputs. This approach helps break down large tasks into smaller, manageable subgoals for efficient handling of complex tasks. It enables agents to plan ahead and improve the quality of final results through reflection and refinement.'

L'assurance qualité avec la recherche

Enfin, notre application d'assurance qualité avec récupération sémantique (local RAG ) qui peut automatiquement récupérer les fragments de documents les plus sémantiquement similaires à partir d'une base de données vectorielle en fonction des questions de l'utilisateur :

retriever = vectorstore.as_retriever()
qa_chain = (
{"context": retriever | format_docs, "question": RunnablePassthrough()}
| rag_prompt
| model
| StrOutputParser()
)

question = "What are the approaches to Task Decomposition?"
qa_chain.invoke(question)

'Task decomposition can be done through (1) simple prompting in Large Language Models (LLM), (2) using task-specific instructions, or (3) with human inputs. This process involves breaking down large tasks into smaller, manageable subgoals for efficient handling of complex tasks.'

résumés

Félicitations, à ce stade, vous avez entièrement mis en œuvre une application RAG construite sur le cadre Langchain et les modèles locaux. Vous pouvez utiliser le tutoriel comme base pour remplacer le modèle local afin d'expérimenter les effets et les capacités de différents modèles, ou l'étendre davantage pour enrichir les capacités et l'expressivité de l'application, ou ajouter des fonctionnalités plus utiles et intéressantes.