零基础构建基于LangChain的聊天机器人(3)

检索对象

review_chain的目标是回答有关患者在医院就医体验的问题。到目前为止，已经将患者对医院的评论作为问题的上下文。虽然能回答少量问题，但它不具有很好的扩展性。此外，即使将所有评论放入模型的上下文中，也不能保证它使用正确的评论内容回答问题。

为了克服这个问题，通常需要需要一个检索器。检索相关文档并将它们传给语言模型，用以回答问题，这个过程称为检索增强生成（retrieval-augmented generation, RAG）。

对于这个例子，将把所有评论数据存储在一个名为ChromaDB的向量数据库中。用以下命令安装ChromaDB：

(venv) $ python -m pip install chromadb==0.4.22

安装之后，用以下代码创建一个带有患者评论的ChromaDB向量数据库：

在这里插入图片描述

在 2 到 4 行中，导入了创建向量数据库所需的依赖项。然后定义 REVIEWS_CSV_PATH 和 REVIEWS_CHROMA_PATH ，它们分别是存储原始评论数据的路径和向量数据库存储数据的路径。

稍后会了解医院系统数据的概览，其中 reviews.csv 存储了患者评论。reviews.csv 中的 review 列是一个字符串，包含了患者的评论。

在 11 和 12 行中，使用 LangChain 的 CSVLoader 加载评论。在 14 到 16 行中，使用默认的OpenAI嵌入模型从评论中创建一个ChromaDB实例，并将评论嵌入存储在 REVIEWS_CHROMA_PATH 中。

接下来，在终端中运行以下命令，从项目目录开始：

(venv) $ python langchain_intro/create_retriever.py

它应该只需要一分钟或更短时间就可以运行，之后就可以开始对评论嵌入执行语义搜索：

在这里插入图片描述

导入了调用ChromaDB所需的依赖项，并指定了存储ChromaDB数据的路径 REVIEWS_CHROMA_PATH 。然后使用dotenv.load_dotenv() 加载环境变量，并创建了一个新的 Chroma 实例，指向向量数据库。注意，当连接到向量数据库时，必须再次指定嵌入函数。确保与用来创建嵌入的嵌入函数相同。

接下来，定义一个问题，并在 reviews_vector_db 上调用 .similarity_search() ，其参数为 question 和 k=3。这为问题创建了一个嵌入，并在向量数据库中搜索与问题最相似的三个评论。在这种情况下，会看到三个评论输出。

最后一件事是将刚才所编写的评论检索器添加到 review_chain 中，以便将相关评论作为上下文传递给提示。

在这里插入图片描述

像以前一样，导入了ChromaDB的依赖项，指定了ChromaDB数据的路径，并实例化了一个新的Chroma对象。然后通过在 reviews_vector_db 上调用 .as_retriever() 创建了 review_retriever ，这就是即将添加到 review_chain 的检索器对象。因为指定了 k=10 ，检索器将获取与用户问题最相似的十个评论。

然后在 review_chain 的前面添加了一个带有上下文和问题键的字典。而不是手动传递上下文，review_chain 将把问题传递给检索器以获取相关评论。将问题分配给一个 RunnablePassthrough 对象确保问题不变地传递到链的下一步。

现在有了一个完全功能的链，可以根据评论回答有关患者体验的问题。启动一个新的REPL会话并尝试一下：

在这里插入图片描述