LLM之RAG实战| 利用MongoDB矢量搜索实现RAG高级检索

from pymongo import MongoClient
from bson import ObjectId
from langchain.vectorstores import MongoDBVectorStore
from langchain.llms import LLM
from langchain.prompts import LLMPrompt
from langchain.vectorstores import VectorStore
from langchain.chains import RetrievalQA
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import DPRVectorStore
 
# 连接到MongoDB
client = MongoClient("mongodb://localhost:27017/")
db = client["rag"]
 
# 初始化MongoDBVectorStore
vector_store = MongoDBVectorStore(db=db, collection_name="vectors")
 
# 初始化LLM
llm = LLM()
 
# 创建LLMPrompt实例
prompt = LLMPrompt(
    input_variables=["query"],
    template="The answer to the query is: {}",
)
 
# 创建DPRVectorStore实例
dpr_vector_store = DPRVectorStore.from_prebuilt("text-encoder-distilbert-base-nli-stsb-mean-tokens")
 
# 创建RetrievalQA实例
qa_chain = RetrievalQA(
    llm=llm,
    vector_store=vector_store,
    dpr_vector_store=dpr_vector_store,
    prompt=prompt,
    retriever_type="vector",
    search_kwargs={"size": 5},
    input_text_splitter=CharacterTextSplitter(),
)
 
# 查询函数
def query(query: str):
    result = qa_chain.run(query=query)
    return result
 
# 示例查询
query_result = query("What is the capital of France?")
print(query_result)

这段代码展示了如何使用MongoDB作为矢量数据库，并结合LLM、DPR向量存储和RetrievalQA链来实现一个简单的RAG系统的查询功能。代码中创建了连接到MongoDB的客户端、初始化了MongoDBVectorStore和LLM，并定义了一个查询函数，该函数使用RetrievalQA链来处理用户查询并返回结果。