創建您自己的 AI RAG 聊天機器人：LangChain 的 Python 指南

誰不想從他們的文件中得到即時答案？這正是 RAG 聊天機器人所做的事——將檢索與人工智慧生成相結合，以實現快速、準確的回應！

在本指南中，我將向您展示如何使用 檢索增強生成 (RAG) 以及 LangChain 和 Streamlit 創建聊天機器人。該聊天機器人將從知識庫中提取相關資訊並使用語言模型產生回應。

我將引導您完成每個步驟，提供多種回應產生選項，無論您使用OpenAI、Gemini 或Fireworks — 確保靈活且具有成本效益的解決方案。

什麼是檢索增強生成 (RAG)？

RAG 是一種結合了檢索和產生的方法，以提供更準確和上下文感知的聊天機器人回應。檢索過程從知識庫中提取相關文檔，而生成過程則使用語言模型根據檢索到的內容創建連貫的回應。這可確保您的聊天機器人可以使用最新資料回答問題，即使語言模型本身尚未針對該資訊進行專門訓練。

想像一下您有一位私人助理，但他並不總是知道您問題的答案。因此，當你提出問題時，他們會翻閱書籍並找到相關資訊（檢索），然後他們總結這些資訊並用自己的話告訴你（產生）。這本質上就是 RAG 的工作原理，結合了兩全其美的優點。

在流程圖中，RAG 流程有點像這樣：

現在，讓我們開始吧，建立我們自己的聊天機器人！

---

設定專案環境

本教學中我們將主要使用 Python，如果您是 JS 頭，您可以按照說明並瀏覽 langchain js 的文檔。

首先，我們需要設定專案環境。這包括建立專案目錄、安裝依賴項以及為不同語言模型設定 API 金鑰。

1. 建立專案資料夾和虛擬環境

先建立專案資料夾與虛擬環境：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

2.安裝依賴項

接下來，建立一個requirements.txt 檔案來列出所有必要的依賴項：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

現在，安裝這些相依性：

pip install -r requirements.txt

3. 設定 API 金鑰

我們將使用 OpenAI、Gemini 或 Fireworks 來產生聊天機器人的回應。您可以根據自己的喜好選擇其中任何一個。

如果您正在嘗試，請不要擔心，Fireworks 免費提供價值 1 美元的 API 金鑰，gemini-1.5-flash 型號在一定程度上也是免費的！

設定 .env 檔案來儲存您首選模型的 API 金鑰：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

請務必註冊這些服務並取得您的 API 金鑰。 Gemini 和 Fireworks 皆提供免費套餐，而 OpenAI 依使用情況收費。

---

文件處理和分塊

為了提供聊天機器人上下文，我們需要處理文件並將它們分成可管理的區塊。這很重要，因為需要分解大文本以進行嵌入和索引。

1.建立document_processor.py

建立一個名為 document_processor.py 的新 Python 腳本來處理文件處理：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

此腳本載入一個文字文件，並將其分割成約 1000 個字元的較小區塊，並有少量重疊，以確保區塊之間不會遺失上下文。處理完成後，文件就可以嵌入並建立索引了。

---

建立嵌入和索引

現在我們已經對文件進行了分塊，下一步是將它們轉換為嵌入（文字的數字表示）並為它們建立索引以便快速檢索。 （因為機器理解數字比理解單字更容易）

1.創建embedding_indexer.py

建立另一個名為 embedding_indexer.py 的腳本：

pip install -r requirements.txt

在此腳本中，嵌入是使用 Hugging Face 模型（all-MiniLM-L6-v2）建立的。然後，我們將這些嵌入儲存在 FAISS 向量儲存中，這使我們能夠根據查詢快速檢索相似的文字區塊。

---

實施檢索和回應生成

令人興奮的部分來了：將檢索與語言生成結合！現在，您將建立一個 RAG 鏈 ，它從向量儲存中取得相關區塊並使用語言模型產生回應。 （向量儲存是一個資料庫，我們儲存轉換為數字作為向量的資料）

1.創建rag_chain.py

讓我們建立檔案 rag_chain.py：

# Uncomment your API key
# OPENAI_API_KEY=your_openai_api_key_here
# GEMINI_API_KEY=your_gemini_api_key_here
# FIREWORKS_API_KEY=your_fireworks_api_key_here

在這裡，我們根據您提供的 API 金鑰在 OpenAI、Gemini 或 Fireworks 之間進行選擇。 RAG 鏈將檢索前 3 個最相關的文檔，並使用語言模型產生回應。

您可以根據自己的預算或使用偏好在模型之間切換 - Gemini 和 Fireworks 是免費的，而 OpenAI 根據使用情況收費。

---

建構聊天機器人介面

現在，我們將建立一個簡單的聊天機器人介面，以使用我們的 RAG 鏈獲取用戶輸入並產生回應。

1.創建chatbot.py

建立一個名為chatbot.py的新檔案：

mkdir rag-chatbot
cd rag-chatbot
python -m venv venv
source venv/bin/activate

此腳本建立一個命令列聊天機器人介面，持續偵聽使用者輸入，透過 RAG 鏈對其進行處理，並傳回產生的回應。

---

建立 Streamlit UI

是時候使用 Streamlit 建立 Web 介面，讓您的聊天機器人更加用戶友好。這將允許用戶透過瀏覽器與您的聊天機器人互動。

1.創建app.py

建立app.py：

langchain==0.0.329
streamlit==1.27.2
faiss-cpu==1.7.4
python-dotenv==1.0.0
tiktoken==0.5.1
openai==0.27.10
gemini==0.3.1
fireworks==0.4.0
sentence_transformers==2.2.2

2. 運行 Streamlit 應用程式

要運行您的 Streamlit 應用程序，只需使用：

pip install -r requirements.txt

這將啟動一個網頁介面，您可以在其中上傳文字檔案、提出問題並從聊天機器人接收答案。

---

優化效能

為了獲得更好的效能，您可以在分割文字時嘗試區塊大小和重疊。較大的區塊提供更多上下文，但較小的區塊可能使檢索速度更快。您也可以使用 Streamlit 快取 來避免重複產生嵌入等昂貴的操作。

如果您想要最佳化成本，可以依照查詢複雜度在OpenAI、Gemini 或Fireworks 之間切換— 使用OpenAI對於複雜的問題，Gemini 或Fireworks 對於更簡單的問題以降低成本。

---

總結

恭喜！您已成功創建自己的基於 RAG 的聊天機器人。現在，可能性是無限的：

創建您自己的個人化學習夥伴。
不再需要查看冗長的文件 - 只需「RAG it out」即可獲得快速、準確的答案！

旅程從這裡開始，潛力無限！

---

您可以在 GitHub 上關注我的工作。請隨時與我聯繫 - 我的 DM 在 X 和 LinkedIn 上始終開放。

以上是創建您自己的 AI RAG 聊天機器人：LangChain 的 Python 指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！