rag-timescale-conversation

此模板用于 会话式 检索，这是最受欢迎的 LLM 用例之一。

它将会话历史和检索到的文档传递给 LLM 进行综合。

环境设置

此模板使用 Timescale Vector 作为向量存储，并要求设置 TIMESCALES_SERVICE_URL。如果您还没有帐户，请在 这里 注册 90 天的试用。

要加载示例数据集，请设置 LOAD_SAMPLE_DATA=1。要加载您自己的数据集，请参见下面的部分。

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

使用方法

要使用此包，您首先需要安装 LangChain CLI：

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

要创建一个新的 LangChain 项目并将此包作为唯一的包安装，您可以执行：

langchain app new my-app --package rag-timescale-conversation

如果您想将其添加到现有项目中，只需运行：

langchain app add rag-timescale-conversation

并将以下代码添加到您的 server.py 文件中：

from rag_timescale_conversation import chain as rag_timescale_conversation_chain

add_routes(app, rag_timescale_conversation_chain, path="/rag-timescale_conversation")

（可选）现在让我们配置 LangSmith。 LangSmith 将帮助我们跟踪、监控和调试 LangChain 应用程序。 您可以在 这里 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，则可以直接通过以下命令启动 LangServe 实例：

langchain serve

这将启动 FastAPI 应用程序，服务器在本地运行于 http://localhost:8000

我们可以在 http://127.0.0.1:8000/docs 查看所有模板 我们可以在 http://127.0.0.1:8000/rag-timescale-conversation/playground 访问游乐场

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-timescale-conversation")

请参阅 rag_conversation.ipynb 笔记本以获取示例用法。

加载您自己的数据集

要加载您自己的数据集，您需要创建一个 load_dataset 函数。您可以在 load_sample_dataset.py 文件中查看 load_ts_git_dataset 函数的示例。然后，您可以将其作为独立函数运行（例如，在 bash 脚本中），或将其添加到 chain.py 中（但此时您只应运行一次）。