rag-vectara-multiquery

这个模板执行了使用 Vectara 进行多查询的 RAG。

环境设置

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

同时，确保设置了以下环境变量：

• VECTARA_CUSTOMER_ID

• VECTARA_CORPUS_ID

• VECTARA_API_KEY

用法

要使用这个包，你首先需要安装 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的包，你可以执行：

langchain app new my-app --package rag-vectara-multiquery

如果你想将其添加到现有项目中，你可以直接运行：

langchain app add rag-vectara-multiquery

然后将以下代码添加到你的 server.py 文件中：

from rag_vectara import chain as rag_vectara_chain
add_routes(app, rag_vectara_chain, path="/rag-vectara-multiquery")

（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。

你可以在 这里 注册 LangSmith。

如果你没有访问权限，你可以跳过这一部分。

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 "vectara-demo"

如果你在这个目录中，你可以直接启动 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

http://localhost:8000

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-vectara-multiquery/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-vectara-multiquery")