rag-pinecone-multi-query

这个模板使用 Pinecone 和 OpenAI 进行 RAG 检索，并使用多查询检索器。

它使用 LLM 从不同的角度生成多个查询，这些角度是基于用户的输入查询。

对于每个查询，它检索一组相关文档，并对所有查询的唯一并集进行答案综合。

环境设置

此模板使用 Pinecone 作为向量存储，并需要设置 PINECONE_API_KEY、PINECONE_ENVIRONMENT 和 PINECONE_INDEX。

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

用法

要使用此软件包，您首先应安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并安装此软件包，请执行以下操作：

langchain app new my-app --package rag-pinecone-multi-query

要将此软件包添加到现有项目中，请运行：

langchain app add rag-pinecone-multi-query

并将以下代码添加到您的 server.py 文件中：

from rag_pinecone_multi_query import chain as rag_pinecone_multi_query_chain
add_routes(app, rag_pinecone_multi_query_chain, path="/rag-pinecone-multi-query")

（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，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，本地运行的服务器位于 http://localhost:8000

您可以在 http://127.0.0.1:8000/docs 查看所有模板。

您可以在 http://127.0.0.1:8000/rag-pinecone-multi-query/playground 访问 playground。

要从代码中访问模板，请使用：

from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/rag-pinecone-multi-query")