Skip to main content

rag-pinecone-multi-query

这个模板使用Pinecone和OpenAI进行RAG，并使用多查询检索器。

它使用LLM根据用户的输入查询从不同的角度生成多个查询。

对于每个查询，它检索一组相关文档，并对所有查询进行唯一的合并以进行答案综合。

环境设置​

此模板使用Pinecone作为向量存储，并需要设置PINECONE_API_KEY、PINECONE_ENVIRONMENT和PINECONE_INDEX。

设置OPENAI_API_KEY环境变量以访问OpenAI模型。

使用方法​

要使用此包，您首先应安装LangChain CLI：

pip install -U langchain-cli

要创建一个新的LangChain项目并安装此包，请执行以下操作：

langchain app new my-app --package rag-pinecone-multi-query

要将此包添加到现有项目中，请运行：

langchain app add rag-pinecone-multi-query

并将以下代码添加到您的server.py文件中：

from rag_pinecone_multi_query import chain as rag_pinecone_multi_query_chain

add_routes(app, rag_pinecone_multi_query_chain, path="/rag-pinecone-multi-query")

（可选）现在，让我们配置LangSmith。LangSmith将帮助我们跟踪、监视和调试LangChain应用程序。LangSmith目前处于私有测试版，您可以在此处注册。如果您没有访问权限，可以跳过此部分

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>  # 如果未指定，默认为"default"

如果您在此目录中，则可以直接启动LangServe实例：

langchain serve

这将在本地启动一个运行在http://localhost:8000的FastAPI应用程序的服务器

您可以在http://127.0.0.1:8000/docs上查看所有模板 您可以在http://127.0.0.1:8000/rag-pinecone-multi-query/playground上访问playground

要从代码中访问模板，请使用：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/rag-pinecone-multi-query")