Skip to main content

拉格-时间刻度-对话

这个模板用于对话式检索，这是最流行的LLM用例之一。

它将对话历史和检索到的文档传递给LLM进行综合。

环境设置​

此模板使用Timescale Vector作为向量存储，并需要TIMESCALES_SERVICE_URL。如果您还没有帐户，请在此处注册90天试用版here。

要加载示例数据集，请设置LOAD_SAMPLE_DATA=1。要加载您自己的数据集，请参阅下面的部分。

设置OPENAI_API_KEY环境变量以访问OpenAI模型。

用法​

要使用此包，您首先应该安装LangChain CLI：

pip install -U "langchain-cli[serve]"

要创建一个新的LangChain项目并将其安装为唯一的包，可以执行以下操作：

langchain app new my-app --package rag-timescale-conversation

如果要将其添加到现有项目中，只需运行：

langchain app add rag-timescale-conversation

并将以下代码添加到您的server.py文件中：

from rag_timescale_conversation import chain as rag_timescale_conversation_chain

add_routes(app, rag_timescale_conversation_chain, path="/rag-timescale_conversation")

（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here。 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FastAPI应用程序，服务器正在运行在 http://localhost:8000

我们可以在http://127.0.0.1:8000/docs上看到所有模板 我们可以在http://127.0.0.1:8000/rag-timescale-conversation/playground上访问playground

我们可以通过以下代码访问模板：

from langserve.client import RemoteRunnable

runnable = RemoteRunnable("http://localhost:8000/rag-timescale-conversation")

有关示例用法，请参阅rag_conversation.ipynb笔记本。

加载您自己的数据集​

要加载您自己的数据集，您需要创建一个load_dataset函数。您可以在load_sample_dataset.py文件中定义的load_ts_git_dataset函数中看到一个示例。然后，您可以将其作为独立函数运行（例如在bash脚本中），或者将其添加到chain.py中（但是您应该只运行一次）。