LangChain 是一个强大的LLM应用开发框架，它能帮我们轻松地构建出高效、智能、可扩展的LLM应用。LangChain 的核心是对开发LLM应用过程所需的组件提供了模块化抽象，并且可以用特定方式组装这些组件，以轻松地开发特定的用例。
在上一篇文章中，我们已经介绍了「记忆」和「链」的这两个关键组件，如果你还没有阅读，请点击这里查看。在这一篇文章中，我们将继续深入探讨 LangChain 的其他关键组件——「嵌入」、「向量存储」、「评估」和「代理」，它们同样撑起了开发LLM应用的各个重要环节。
如果你对 LangChain 感兴趣，并想了解如何利用它开发出属于你自己的LLM应用，请继续阅读下去，我们将为你揭示 LangChain 的强大魅力和无限可能。
如果你觉得《精华笔记》系列对你有所启发，还请不吝分享给你的朋友，让更多人了解 ChatGPT 这类大型语言模型背后的原理及应用，谢谢～
基于文档的问答
LLM可以根据从PDF文件、网页或公司内部文档中提取的文本来回答问题，这使得LLM能够与未经训练的数据结合起来，从而更灵活地适配不同应用场景。
要构建一个基于文档的问答系统，需要引入 LangChain 的更多关键组件，例如嵌入（Embedding）模型和向量存储（Vector Stores）。
简单实现，以轻松完成文档问答功能
首先，需要导入一些辅助构建链的工具：
javascript复制代码from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from langchain.document_loaders import CSVLoader
from langchain.vectorstores import DocArrayInMemorySearch
from IPython.display import display, Markdown
| 工具 | 用途 |
|---|---|
| RetrievalQA | 检索文档 |
| CSVLoader | 加载专用数据(如CSV)，用来与模型结合使用 |
| DocArrayInMemorySearch | 内存方式的向量存储，不需要连接到任何类型的外部数据库 |
步骤1：初始化CSV加载器，为其指定一个CSV文件的路径
ini复制代码file = 'OutdoorClothingCatalog_1000.csv'
loader = CSVLoader(file_path=file)
步骤2：创建一个内存方式的向量存储，传入上一步创建的️️加载器。
ini复制代码from langchain.indexes import VectorstoreIndexCreator
index = VectorstoreIndexCreator(
vectorstore_cls=DocArrayInMemorySearch
).from_loaders([loader])
步骤3：定义查询内容，并使用index.query生成响应
ini复制代码query ="Please list all your shirts with sun protection
in a table in markdown and summarize each one."
response = index.query(query)
步骤4：展示查询结果的表格以及摘要
scss复制代码display(Markdown(response))
文档问答功能的底层原理
要想让语言模型与大量文档相结合，有一个关键问题必须解决。
那就是，语言模型每次只能处理几千个单词，如何才能让它对一个大型文档的全部内容进行问答呢？
这里就要用到嵌入（Embedding）和向量存储（Vector Stores）这两个技术。
嵌入（Embedding）
嵌入是一种将文本片段转换为数字表示的方法，这些数字能够反映文本的语义信息。
语义相近的文本会有相近的向量，这样我们就可以在向量空间中对文本进行比较。
比如，
- 两个同样描述宠物的句子的向量，其相似度会非常高。
- 而与一个描述汽车的句子的向量相比较，其相似度则会很低。
通过向量相似度，我们可以轻松地找出文本片段之间的语义关系。
利用这个特性，我们可以从文档中检索出与问题语义最匹配的文本片段，然后将它们和问题一起交给语言模型来生成答案。
向量数据库（Vector Database）
向量数据库是用于保存嵌入向量表示的数据库。
我们可以将大型文档拆分成较小的块，为每个块生成一个嵌入，并将其和原始块一起存储到数据库中。
这就是我们创建索引的过程。
索引创建好后，我们就可以用它来查询与问题最相关的文本片段：
- 当一个问题进来后，为问题生成嵌入；
- 将其与向量存储中的所有向量进行比较，选择最相似的n个文本片段；
- 将这些文本片段和问题一起传递给语言模型；
- 让语言模型根据检索到的文档内容生成最佳答案。
详细实现，以查看每一步的执行过程
步骤1：初始化CSV加载器，为其指定一个CSV文件的路径
ini复制代码loader = CSVLoader(file_path=file)
docs = loader.load()
步骤2：为加载的所有文本片段生成嵌入，并存储在一个向量存储器中
ini复制代码from langchain.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings()
db = DocArrayInMemorySearch.from_documents(
docs,
embeddings
)
我们可以用一段特定文本来查看生成的嵌入内容形式：
ini复制代码embed = embeddings.embed_query("Hi my name is Harrison")
# 打印嵌入的维度
print(len(embed))
# 1536
# 打印前5个数字
print(embed[:5])
# [-0.021930990740656853, 0.006712669972330332, -0.018181458115577698, -0.039156194776296616, -0.014079621061682701]
从打印结果可知，这个嵌入是一个1536维的向量，以及向量中的数字是如何表示的。
我们也可以直接输入一段查询内容，查看通过向量存储器检索到的与查询内容相似的文本片段：
ini复制代码query = "Please suggest a shirt with sunblocking"
docs = db.similarity_search(query)
# 打印检索到的文本片段数
len(docs)
# 4
# 打印第一个文本片段内容
docs[0]
# Document(page_content=': 255nname: Sun Shield Shirt byndescription: "Block the sun, not the fun – our high-performance sun shirt is guaranteed to protect from harmful UV rays. nnSize & Fit: Slightly Fitted: Softly shapes the body. Falls at hip.nnFabric & Care: 78% nylon, 22% Lycra Xtra Life fiber. UPF 50+ rated – the highest rated sun protection possible. Handwash, line dry.nnAdditional Features: Wicks moisture for quick-drying comfort. Fits comfortably over your favorite swimsuit. Abrasion resistant for season after season of wear. Imported.nnSun Protection That Won't Wear OffnOur high-performance fabric provides SPF 50+ sun protection, blocking 98% of the sun's harmful rays. This fabric is recommended by The Skin Cancer Foundation as an effective UV protectant.', metadata={'source': 'OutdoorClothingCatalog_1000.csv', 'row': 255})
从打印结果可知，检索到了4个相似的文本片段，而返回的第一个文本片段也确实与查询内容相关。
步骤3：使用RetrievalQA链对查询进行检索，然后在检索的文档上进行问答
ini复制代码retriever = db.as_retriever()
llm = ChatOpenAI(temperature = 0.0)
# stuff表示将文本片段合并成一段文本
qa_stuff = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff",
retriever=retriever,
verbose=True
)
RetrievalQA链其实就是把合并文本片段和调用语言模型这两步骤封装起来，如果没有RetrievalQA链，我们需要这样子实现：
1.将检索出来的文本片段合并成一段文本
go复制代码qdocs = "".join([docs[i].page_content for i in range(len(docs))])
2.将合并后的文本和问题一起传给LLM
ini复制代码response = llm.call_as_llm(f"{qdocs} Question: Please list all your
shirts with sun protection in a table in markdown and summarize each one.")
步骤4：创建一个查询，并把查询的内容传入链并运行
ini复制代码response = qa_stuff.run(query)
步骤5：展示查询结果的表格以及摘要
scss复制代码display(Markdown(response))
可选的链类型(chain_type)
stuff
将所有内容放入一个提示中，发送给语言模型并获取一个回答。这种方法简单、廉价且效果不错。
当文档数量较少且文档长度较短的情况下，这种方法是可行的。
Map_reduce
将每个内容和问题一起传递给语言模型，并将所有单独的回答汇总成最终答案。
这种方法可以处理任意数量的文档，并且可以并行处理各个问题。
Refine
迭代地处理多个文档，它会基于前一个文档的答案来构建答案。
这种方法适合组合信息和逐步构建答案，但速度较慢。
Map_rerank
每个文档进行单独的语言模型调用，并要求返回一个分数，然后选择最高分数的答案。
这种方法需要告诉语言模型如何评分，并且需要针对这部分指令进行优化。
评估
评估有两个目的：
- 检验LLM应用是否达到了验收标准
- 分析改动对于LLM应用性能的影响
基本的思路就是利用语言模型本身和链本身，来辅助评估其他的语言模型、链和应用程序。
我们还是以上一节课的文档问答应用为例。
评估过程需要用到评估数据集，我们可以直接硬编码一些示例数据集，比如：
ini复制代码examples = [
{
"query": "Do the Cozy Comfort Pullover Set
have side pockets?",
"answer": "Yes"
},
{
"query": "What collection is the Ultra-Lofty
850 Stretch Down Hooded Jacket from?",
"answer": "The DownTek collection"
}
]
但这种方式不太方便扩展，也比较耗时，所以，我们可以——
步骤1：使用语言模型自动生成评估数据集
QAGenerateChain链用于接收文档，并借助语言模型为每个文档生成一个问答对。
ini复制代码from langchain.evaluation.qa import QAGenerateChain
example_gen_chain = QAGenerateChain.from_llm(ChatOpenAI())
new_examples = example_gen_chain.apply_and_parse(
[{"doc": t} for t in data[:5]]
)
我们可以打印看下其返回的内容：
javascript复制代码print(new_examples[0])
{'query': "What is the weight of each pair of Women's Campside Oxfords?",
'answer': "The approximate weight of each pair of Women's Campside Oxfords is 1 lb. 1 oz."}
步骤2：将生成的问答对添加到已有的评估数据集中
makefile复制代码examples += new_examples
步骤3：为所有不同的示例生成实际答案
ini复制代码# 这里的qa对应的是上一节课的RetrievalQA链
predictions = qa.apply(examples)
步骤4：对LLM应用的输出进行评估
ini复制代码from langchain.evaluation.qa import QAEvalChain
llm = ChatOpenAI(temperature=0)
eval_chain = QAEvalChain.from_llm(llm)
# 传入示例列表和实际答案列表
graded_outputs = eval_chain.evaluate(examples, predictions)
步骤5：打印问题、标准答案、实际答案和评分
python复制代码for i, eg in enumerate(examples):
print(f"Example {i}:")
print("Question: " + predictions[i]['query'])
print("Real Answer: " + predictions[i]['answer'])
print("Predicted Answer: " + predictions[i]['result'])
print("Predicted Grade: " + graded_outputs[i]['text'])
print()
列举其中的前3个评估结果如下：
vbnet复制代码Example 0:
Question: Do the Cozy Comfort Pullover Set have side pockets?
Real Answer: Yes
Predicted Answer: The Cozy Comfort Pullover Set, Stripe does have side pockets.
Predicted Grade: CORRECT
Example 1:
Question: What collection is the Ultra-Lofty 850 Stretch Down Hooded Jacket from?
Real Answer: The DownTek collection
Predicted Answer: The Ultra-Lofty 850 Stretch Down Hooded Jacket is from the DownTek collection.
Predicted Grade: CORRECT
Example 2:
Question: What is the weight of each pair of Women's Campside Oxfords?
Real Answer: The approximate weight of each pair of Women's Campside Oxfords is 1 lb. 1 oz.
Predicted Answer: The weight of each pair of Women's Campside Oxfords is approximately 1 lb. 1 oz.
Predicted Grade: CORRECT
...
对比第一个评估结果的两个答案可以看到，其标准答案较为简洁，而实际答案则较为详细，但表达的意思都是正确的，语言模型也能识别，因此才把它标记为正确的。
虽然这两个字符串完全不同，以致于使用传统的正则表达式等手段是无法对它们进行比较的。
这里就体现了使用语言模型进行评估的优势——同一个问题的答案可能有很多不同的变体，只要意思相通，就应该被认为是相似的。
使用LangChain评估平台
以上操作都可以在LangChain评估平台上以可视化UI界面的形式展示，并对数据进行持久化，包括：
查看和跟踪评估过程中的输入和输出
可视化链中每个步骤输出的信息
将示例添加到数据集中，以便持久化和进一步评估
代理
大型语言模型可以作为一个推理引擎，只要给它提供文本或其他信息源，它就会利用互联网上学习到的背景知识或你提供的新信息，来回答问题、推理内容或决定下一步的操作。
这就是LangChain的代理框架能够帮我们实现的事情，而代理也正是LangChain最强大的功能之一。
使用内置于 LangChain 的工具
步骤1：初始化语言模型
javascript复制代码from langchain.agents.agent_toolkits import create_python_agent
from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType
from langchain.tools.python.tool import PythonREPLTool
from langchain.python import PythonREPL
from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(temperature=0)
- temperature参数
语言模型作为代理的推理引擎，会连接到其他数据和计算资源，我们会希望这个推理引擎尽可能地好用且精确，因此需要把temperature参数设为0。
步骤2：加载工具
ini复制代码# llm-math：解决数学问题
# wikipedia：查询维基百科
tools = load_tools(["llm-math","wikipedia"], llm=llm)
步骤3：初始化代理
ini复制代码agent= initialize_agent(
tools,
llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
handle_parsing_errors=True,
verbose = True)
- agent参数
agent参数 CHAT_ZERO_SHOT_REACT_DESCRIPTION中的CHAT部分，表示这是一个专门为Chat模型优化的代理。REACT部分表示一种组织Prompt的技术，能够最大化语言模型的推理能力。
- handle_parsing_errors
true表示当内容无法被正常解析时，会将错误内容传回语言模型，让它自行纠正。
步骤4：向代理提问
数学问题：
scss复制代码agent("What is the 25% of 300?")
百科问题：
ini复制代码question = "Tom M. Mitchell is an American computer scientist
and the Founders University Professor at Carnegie Mellon University (CMU)
what book did he write?"
result = agent(question)
从打印出来的中间步骤详细记录中，我们可以看到几个关键词，其表示的含义分别是：
| 关键词 | 表示含义 |
|---|---|
| Thought | LLM在思考的内容 |
| Action | 执行特定的动作 |
| Observation | 从这个动作中观察到了什么 |
使用 Python 代理工具
类似于ChatGPT的代码解释器，Python 代理工具可以让语言模型编写并执行Python代码，然后将执行的结果返回给代理，让它决定下一步的操作。
我们的任务目标是对一组客户名单按照姓氏和名字进行排序。
步骤1：创建Python代理
ini复制代码agent = create_python_agent(
llm,
tool=PythonREPLTool(),
verbose=True
)
步骤2：要求代理编写排序代码，并打印输出结果
less复制代码customer_list = [["Harrison", "Chase"],
["Lang", "Chain"],
["Dolly", "Too"],
["Elle", "Elem"],
["Geoff","Fusion"],
["Trance","Former"],
["Jen","Ayai"]
]
agent.run(f"""Sort these customers by
last name and then first name
and print the output: {customer_list}""")
使用自定义的工具
代理的一个优势就是你可以将其连接到你自己的信息来源、API、数据。
步骤1：定义一个工具，用于获取当前日期
python复制代码from langchain.agents import tool
from datetime import date
@tool
def time(text: str) -> str:
"""Returns todays date, use this for any
questions related to knowing todays date.
The input should always be an empty string,
and this function will always return todays
date - any date mathmatics should occur
outside this function."""
return str(date.today())
除了函数名称，这里还写了一份详细的注释说明，代理会根据注释中的信息来判断何时应该调用、以及应该如何调用这个工具。
步骤2：初始化代理，将自定义工具加到现有工具列表里
ini复制代码agent= initialize_agent(
tools + [time],
llm,
agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION,
handle_parsing_errors=True,
verbose = True)
步骤3：调用代理，获取当前日期
python复制代码try:
result = agent("whats the date today?")
except:
print("exception on external access")
在线观看链接：www.youtube.com/watch?v=gUc…
可运行代码地址：learn.deeplearning.ai/langchain/l…
