rag学习5

本周基于 LangChain 框架完成了支持多轮对话的 RAG 检索增强问答服务开发编写RagService核心类整合通义大模型、DashScope 向量嵌入模型与自研向量库服务依托配置文件统一管理模型参数完成各项基础组件的初始化搭建。本次开发中设计了专属提示词模板通过ChatPromptTemplate搭配MessagesPlaceholder预留对话历史位置明确模型应答要求优先结合检索到的参考资料作答。同时自定义函数完成检索文档内容、元数据的格式化处理规范数据展示形式。项目运用 LangChain 各类 Runnable 组件完成链路编排借助RunnablePassthrough实现数据透传、RunnableLambda完成自定义数据转换串联文档检索、数据处理、提示词拼接、模型调用、结果解析全流程并使用StrOutputParser统一输出格式。本次实践掌握了 LangChain 链式调用逻辑与 RAG 完整业务流程通过RunnableWithMessageHistory对接历史会话读取接口实现问答场景的上下文记忆能力。后续将开展功能测试优化文档格式化逻辑并进一步拓展服务适配更多业务场景。from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough, RunnableWithMessageHistory, RunnableLambda from file_history_store import get_history from vectoer_stores import VectorStoreService from langchain_community.embeddings import DashScopeEmbeddings import config_data as config from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.documents import Document class RagService: def __init__(self): self.vector_service VectorStoreService(embedding DashScopeEmbeddings(model config.embedding_model_name )) self.prompt_template ChatPromptTemplate.from_messages( [ (system,以我提供的已知参考资料为主简洁和专业的回答用户问题。参考资料{context}), (system, 并且我提供的用户的历史对话如下), MessagesPlaceholder(history), (user, 请回答用户提问{input}) ] ) self.chat_model ChatTongyi(model config.chat_model_name) self.chain self.__get_chain() def __get_chain(self) : retriever self.vector_service.get_retriever() def format_document(docs: list[Document]) : if not docs : return 没有参考资料 formatted_str for doc in docs : formatted_str f文档片段{doc.page_content}\n文档原数据{doc.metadata}\n return formatted_str def format_for_retriever(value): return value[input] def format_for_prompt_template(value): new_dict {} new_dict[input] value[input][input] new_dict[context] value[context] new_dict[history] value[input][history] return new_dict chain ( {input:RunnablePassthrough() , context:RunnableLambda(format_for_retriever)| retriever | format_document} |RunnableLambda(format_for_prompt_template) | self.prompt_template | self.chat_model | StrOutputParser() ) conversation_chain RunnableWithMessageHistory( chain, get_history, input_messages_keyinput, history_messages_keyhistory, ) return conversation_chain