自查询-Qdrant

该模板使用 Qdrant 和 OpenAI 进行自查询。默认情况下，它使用一个包含 10 个文档的人工数据集，但你可以用自己的数据集替换它。

环境设置

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

将 QDRANT_URL 设置为你的 Qdrant 实例的 URL。如果你使用 Qdrant Cloud，你还需要设置 QDRANT_API_KEY 环境变量。如果你没有设置其中任何一个，模板将尝试连接到本地 Qdrant 实例，地址为 http://localhost:6333。

export QDRANT_URL=
export QDRANT_API_KEY=
export OPENAI_API_KEY=

使用方法

要使用此包，请先安装 LangChain CLI：

pip install -U "langchain-cli[serve]"

创建一个新的 LangChain 项目，并将此包作为唯一包安装：

langchain app new my-app --package self-query-qdrant

要将其添加到现有项目中，请运行：

langchain app add self-query-qdrant

默认设置

在启动服务器之前，你需要创建一个 Qdrant 集合并对文档建立索引。可以通过运行以下命令来完成：

from self_query_qdrant.chain import initialize
initialize()

将以下代码添加到你的 app/server.py 文件中：

from self_query_qdrant.chain import chain
add_routes(app, chain, path="/self-query-qdrant")

默认数据集包含了关于菜肴的 10 个文档，以及它们的价格和餐厅信息。你可以在 packages/self-query-qdrant/self_query_qdrant/defaults.py 文件中找到这些文档。以下是其中一个文档：

from langchain_core.documents import Document
Document(
    page_content="Spaghetti with meatballs and tomato sauce",
    metadata={
        "price": 12.99,
        "restaurant": {
            "name": "Olive Garden",
            "location": ["New York", "Chicago", "Los Angeles"],
        },
    },
)

自查询允许在文档上执行语义搜索，并根据元数据进行一些额外的过滤。例如，你可以搜索价格低于 15 美元且在纽约供应的菜肴。

自定义

上述所有示例都假定你希望仅使用默认设置启动模板。如果你想要自定义模板，可以通过在 app/server.py 文件中向 create_chain 函数传递参数来实现：

from langchain_community.llms import Cohere
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.chains.query_constructor.schema import AttributeInfo
from self_query_qdrant.chain import create_chain
chain = create_chain(
    llm=Cohere(),
    embeddings=HuggingFaceEmbeddings(),
    document_contents="Descriptions of cats, along with their names and breeds.",
    metadata_field_info=[
        AttributeInfo(name="name", description="Name of the cat", type="string"),
        AttributeInfo(name="breed", description="Cat's breed", type="string"),
    ],
    collection_name="cats",
)

对于创建 Qdrant 集合并对文档建立索引的 initialize 函数也是如此：

from langchain_core.documents import Document
from langchain_community.embeddings import HuggingFaceEmbeddings
from self_query_qdrant.chain import initialize
initialize(
    embeddings=HuggingFaceEmbeddings(),
    collection_name="cats",
    documents=[
        Document(
            page_content="A mean lazy old cat who destroys furniture and eats lasagna",
            metadata={"name": "Garfield", "breed": "Tabby"},
        ),
        ...
    ]
)

该模板灵活，可以轻松用于不同的文档集。

LangSmith

（可选）如果你可以访问 LangSmith，请配置它以帮助跟踪、监视和调试 LangChain 应用程序。如果你无法访问，请跳过此部分。

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"

如果你在此目录中，则可以通过以下方式直接启动 LangServe 实例：

langchain serve

本地服务器

这将启动一个在本地运行的 FastAPI 应用程序服务器，地址为

http://localhost:8000

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

在 http://127.0.0.1:8000/self-query-qdrant/playground 访问 playground

通过以下代码从代码中访问模板：

from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/self-query-qdrant")