78 lines
2.3 KiB
Python
78 lines
2.3 KiB
Python
from langchain_chroma import Chroma
|
|
from langchain_core.output_parsers import StrOutputParser
|
|
from langchain_openai import ChatOpenAI
|
|
from embeddings import get_embeddings
|
|
from config import OPENAI_API_KEY
|
|
import os
|
|
from langchain_core.prompts import ChatPromptTemplate
|
|
from langchain_core.runnables import RunnablePassthrough
|
|
|
|
|
|
Persist_directory = './chroma_db_war_and_peace_bge_small_en_v1.5'
|
|
model_name_str = 'BAAI/bge-small-en-v1.5'
|
|
|
|
if not os.path.exists(Persist_directory):
|
|
print(f"错误: 知识库文件 {Persist_directory} 未找到。")
|
|
print("请先运行'00_build_index.py'生成向量数据库，再运行该文件")
|
|
exit()
|
|
|
|
print('---加载本地向量数据库---')
|
|
|
|
# 模块A:链接本地Chroma向量数据库
|
|
# 1. 加载 Embedding 模型
|
|
print(f'正在加载/下载模型{model_name_str}...')
|
|
embeddings_model = get_embeddings(
|
|
model_name=model_name_str,
|
|
device='cpu'
|
|
)
|
|
|
|
# 2. 从本地目录加载Chroma DB
|
|
db = Chroma(
|
|
persist_directory=Persist_directory,
|
|
embedding_function=embeddings_model
|
|
)
|
|
print(f'Chroma数据库已从本地加载(共{db._collection.count()}条)\n')
|
|
|
|
# 模块B:R-A-G Flow
|
|
# 1. R-检索
|
|
retriever = db.as_retriever(search_kwargs={"k": 5}) # 召回5条相关数据
|
|
|
|
# 2. A-增强
|
|
sys_prompt = """
|
|
你是一个博学的历史学家和文学评论家。
|
|
请根据以下上下文回答问题。如果上下文**强烈暗示**了答案，即使未明说，也可推理回答。
|
|
如果完全无关，请回答“对不起，根据所提供的上下文我不知道”。
|
|
|
|
[上下文]: {context}
|
|
[问题]: {question}
|
|
"""
|
|
prompt = ChatPromptTemplate.from_messages([
|
|
('system', sys_prompt),
|
|
('human', '{question}')
|
|
])
|
|
|
|
# 3. G-生成
|
|
llm = ChatOpenAI(
|
|
model="deepseek-chat",
|
|
api_key=OPENAI_API_KEY,
|
|
base_url="https://api.deepseek.com"
|
|
)
|
|
|
|
# 4. 辅助函数
|
|
def format_docs(docs):
|
|
return "\n".join(doc.page_content for doc in docs)
|
|
|
|
|
|
# 5. 组装RAG链条(LCEL)
|
|
rag_chain = (
|
|
{"context":retriever | format_docs, "question": RunnablePassthrough()}
|
|
| prompt
|
|
| llm
|
|
| StrOutputParser()
|
|
)
|
|
# 运行RAG链
|
|
print('---正在运行RAG链条---')
|
|
question = '莫斯科大火发生在小说的哪一部分？有哪些角色亲历了这场灾难？'
|
|
response = rag_chain.invoke(question)
|
|
print(f'提问:{question}')
|
|
print(f'回答:{response}') |