rag-azure-search
这个模板使用 Azure AI Search 作为向量存储库，并使用 Azure OpenAI 的聊天和嵌入模型执行 RAG。
有关在 Azure AI Search 中使用 RAG 的更多详细信息，请参考此笔记本。
环境设置
先决条件： 需要已有 Azure AI Search 和 Azure OpenAI 资源。
环境变量:
要运行这个模板，您需要设置以下环境变量：
必需的:
AZURE_SEARCH_ENDPOINT - Azure AI Search 服务的终结点。
AZURE_SEARCH_KEY - Azure AI Search 服务的 API 密钥。
AZURE_OPENAI_ENDPOINT - Azure OpenAI 服务的终结点。
AZURE_OPENAI_API_KEY - Azure OpenAI 服务的 API 密钥。
AZURE_EMBEDDINGS_DEPLOYMENT - 用于嵌入的 Azure OpenAI 部署的名称。
AZURE_CHAT_DEPLOYMENT - 用于聊天的 Azure OpenAI 部署的名称。
可选的:
AZURE_SEARCH_INDEX_NAME - 要使用的现有 Azure AI Search 索引的名称。如果未提供，将创建一个名称为 "rag-azure-search" 的索引。
OPENAI_API_VERSION - 要使用的 Azure OpenAI API 版本。默认为 "2023-05-15"。
用法
要使用这个包，您应该首先安装 LangChain CLI：
pip install -U langchain-cli
要创建一个新的 LangChain 项目并将其安装为唯一包，您可以执行：
langchain app new my-app --package rag-azure-search
如果您想将其添加到现有项目中，只需运行：
langchain app add rag-azure-search
并将以下代码添加到您的 server.py 文件中：
from rag_azure_search import chain as rag_azure_search_chain
add_routes(app, rag_azure_search_chain, path="/rag-azure-search")
(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。
您可以在这里注册 LangSmith。
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，那么您可以通过以下方式直接启动 LangServe 实例：
langchain serve
这将启动带有服务器的 FastAPI 应用程序，本地运行的服务器位于
我们可以在 http://127.0.0.1:8000/docs 查看所有模板。
我们可以在 http://127.0.0.1:8000/rag-azure-search/playground 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-azure-search")