rag-aws-kendra

这个模板是一个应用程序，利用了亚马逊 Kendra，这是一个由机器学习驱动的搜索服务，以及 Anthropic Claude 用于文本生成。该应用程序使用一个检索链来检索文档，以回答来自您的文档的问题。

它使用 boto3 库与 Bedrock 服务连接。

要了解如何使用亚马逊 Kendra 构建 RAG 应用程序的更多背景信息，请查看此页面。

环境设置

请确保设置和配置 boto3 以与您的 AWS 帐户配合使用。

您可以按照此指南进行操作。

在使用此模板之前，您还应该设置好 Kendra 索引。

您可以使用此 Cloudformation 模板创建一个示例索引。

其中包含了包含亚马逊 Kendra、亚马逊 Lex 和亚马逊 SageMaker 的 AWS 在线文档的示例数据。或者，如果您已经对自己的数据集建立了索引，也可以使用您自己的亚马逊 Kendra 索引。

需要设置以下环境变量：

AWS_DEFAULT_REGION - 这应该反映正确的 AWS 区域。默认为 us-east-1。
AWS_PROFILE - 这应该反映您的 AWS 配置文件。默认为 default。
KENDRA_INDEX_ID - 这应该是 Kendra 索引的索引 ID。请注意，索引 ID 是一个包含 36 个字母数字字符的值，可以在索引详细信息页面找到。

要使用此软件包，您首先应该安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并将此软件包安装为唯一软件包，您可以执行：

langchain app new my-app --package rag-aws-kendra

如果要将其添加到现有项目中，只需运行：

langchain app add rag-aws-kendra

并将以下代码添加到您的 server.py 文件中：

from rag_aws_kendra.chain import chain as rag_aws_kendra_chain
add_routes(app, rag_aws_kendra_chain, path="/rag-aws-kendra")

（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。

您可以在此处注册 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，那么您可以直接启动 LangServe 实例：

langchain serve

这将启动一个在本地运行的服务器的 FastAPI 应用程序，地址为

我们可以在http://127.0.0.1:8000/docs看到所有模板。

我们可以通过以下代码从代码中访问模板：

from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/rag-aws-kendra")