rag-opensearch
这个模板使用 OpenSearch 执行 RAG。
环境设置
设置以下环境变量。
OPENAI_API_KEY
- 用于访问 OpenAI Embeddings 和 Models。
如果不使用默认值,还可以选择设置 OpenSearch 的环境变量:
OPENSEARCH_URL
- 托管的 OpenSearch 实例的 URLOPENSEARCH_USERNAME
- OpenSearch 实例的用户名OPENSEARCH_PASSWORD
- OpenSearch 实例的密码OPENSEARCH_INDEX_NAME
- 索引的名称
要在 Docker 中运行默认的 OpenSeach 实例,您可以使用以下命令
docker run -p 9200:9200 -p 9600:9600 -e "discovery.type=single-node" --name opensearch-node -d opensearchproject/opensearch:latest
注意:要加载名为 langchain-test
的虚拟索引和虚拟文档,请在包中运行 python dummy_index_setup.py
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-opensearch
如果要将其添加到现有项目中,只需运行:
langchain app add rag-opensearch
并将以下代码添加到您的 server.py
文件中:
from rag_opensearch import chain as rag_opensearch_chain
add_routes(app, rag_opensearch_chain, path="/rag-opensearch")
(可选)现在让我们配置 LangSmith。
LangSmith 将帮助我们跟踪、监控和调试 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,则可以通过以下方式直接启动 LangServe 实例:
langchain serve
这将启动一个 FastAPI 应用程序,服务器在本地运行,地址为
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-opensearch/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-opensearch")