第8章:LangChain检索增强生成RAG--2.3Naive RAG
发布时间
阅读量：
阅读量
Naive RAG 是基于某种核心机制的一种基本RAG方法。该方法通过向量搜索从嵌入存储中提取相关信息，并将相关的内容注入到提示（prompt）中以帮助语言模型生成更准确的回答。
Naive RAG（简单 RAG）
一旦我们的文档被获取（参见前面的部分），我们可以通过创建一个 EmbeddingStoreContentRetriever 来启用简单的 RAG（检索增强生成）功能。
当使用 AI 服务时，可以按照以下方式配置简单的 RAG：
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(5) // 最多返回 5 个结果
.minScore(0.75) // 最小相似度分数为 0.75
.build();
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model) // 使用指定的语言模型
.contentRetriever(contentRetriever) // 使用配置好的内容检索器
.build();深度解析
1. Naive RAG 的核心组件
Naive RAG 的实现依赖于以下核心组件：
- EmbeddingStore主要负责管理嵌入向量的存储工作，并被广泛称为一种高效的向量数据库解决方案。
- EmbeddingModel是一种用于生成表示文本内容的数学模型。
- ContentRetriever是一个提供高效查询功能的工具类组件。
2. 配置 EmbeddingStoreContentRetriever
EmbeddingStoreContentRetriever 是一个专为从嵌入存储中提取和管理数据而设计的工具系统。该工具可通过以下途径进行参数设置：
- embeddingStore：配置嵌入存储实例。
- embeddingModel：配置嵌入模型实例。
- maxResults：请设置最大返回数量。
- minScore：请设置最低相似度阈值。
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(5) // 最多返回 5 个结果
.minScore(0.75) // 最小相似度分数为 0.75
.build();3. 配置 AI 服务
在 LangChain4j 系统中可通过 AiServices 开发一个 AI 服务 该服务借助配置好的 ContentRetriever 进行内容搜索 并将搜索结果整合进语言模型的提示字段
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model) // 使用指定的语言模型
.contentRetriever(contentRetriever) // 使用配置好的内容检索器
.build();4. 示例代码
以下是一个完整的示例，展示如何配置和使用 Naive RAG：
// 创建嵌入存储实例
EmbeddingStore embeddingStore = new InMemoryEmbeddingStore<>();
// 创建嵌入模型实例
EmbeddingModel embeddingModel = new OpenAiEmbeddingModel("your-api-key", "text-embedding-ada-002");
// 配置内容检索器
ContentRetriever contentRetriever = EmbeddingStoreContentRetriever.builder()
.embeddingStore(embeddingStore)
.embeddingModel(embeddingModel)
.maxResults(5) // 最多返回 5 个结果
.minScore(0.75) // 最小相似度分数为 0.75
.build();
// 配置 AI 服务
Assistant assistant = AiServices.builder(Assistant.class)
.chatLanguageModel(model) // 使用指定的语言模型
.contentRetriever(contentRetriever) // 使用配置好的内容检索器
.build();
// 使用 AI 服务
String userMessage = "How to do Naive RAG with LangChain4j?";
String answer = assistant.chat(userMessage);
System.out.println("Answer: " + answer);5. 总结
Naive RAG 是一种简洁而高效的RAG方案，在实际应用中尤其适合于迅速部署RAG功能的需求场景。通过配置EmbeddingStoreContentRetriever与AiServices后，则能够方便地将文档内容检索功能整合至AI服务中。尽管这种方案较为基础，在多数情况下仍能展现出足够的效能；特别是在需要快速原型开发和概念验证时，则显得尤为实用和灵活。
导读说明：
这是LangChain开发智能体的系列文档，欢迎连读
高级RAG
全部评论 (0)
还没有任何评论哟~