langchain结合searXNG实现基于搜索RAG

2024-08-31 20:44

本文主要是介绍langchain结合searXNG实现基于搜索RAG,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

一、背景

二、环境说明和安装

1.1 环境说明

2.2 环境安装

2.2.1 searXNG安装

代码实现

代码

结果输出

直接请求模型输出

​编辑

参考


一、背景

        大语言模型的出现带来了新的技术革新,但是大模型由于训练语料的原因,它的知识和当前实时热点存在时间差距,存在很严重的幻觉。而RAG检索增强生成能够解决这个问题,知识以prompt的形式进行补足,再让LLM进行润色进而呈现给用户。

二、环境说明和安装

1.1 环境说明

        整个环境都是基于我本地进行搭建,机器环境采用的是wsl2部署的Ubuntu-20.04,大模型选取的是Qwen/Qwen2-7B-Instruct,采用vllm进行部署推理以openai api的形式提供服务,langchain使用的是最新的0.2版本,由于searXNG是需要docker部署的,所以请确保已安装docker .desktop。

2.2 环境安装

2.2.1 searXNG安装
  • 下载
cd /opt/softwares
git clone https://github.com/searxng/searxng-docker.git
cd searxng-docker
  • docker-compose配置

searXNG的组件有三个,caddy实现反向代理,这里不需要反向代理,采用直接调用的形式,关于caddy的部分注释掉;redis用来保存session,searXNG提供搜索服务。设置端口映射,0.0.0.0:8080:8080左边的端口为宿主机端口,右边的端口为docker端口

version: "3.7"services:#caddy:#container_name: caddy#image: docker.io/library/caddy:2-alpine#network_mode: host#restart: unless-stopped#volumes:#- ./Caddyfile:/etc/caddy/Caddyfile:ro#- caddy-data:/data:rw#- caddy-config:/config:rw#environment:#- SEARXNG_HOSTNAME=${SEARXNG_HOSTNAME:-http://localhost:80}#- SEARXNG_TLS=${LETSENCRYPT_EMAIL:-internal}#cap_drop:#- ALL#cap_add:#- NET_BIND_SERVICE#logging:#driver: "json-file"#options:#max-size: "1m"#max-file: "1"redis:container_name: redisimage: docker.io/valkey/valkey:7-alpinecommand: valkey-server --save 30 1 --loglevel warningrestart: unless-stoppednetworks:- searxngvolumes:- valkey-data2:/datacap_drop:- ALLcap_add:- SETGID- SETUID- DAC_OVERRIDElogging:driver: "json-file"options:max-size: "1m"max-file: "1"searxng:container_name: searxngimage: docker.io/searxng/searxng:latestrestart: unless-stoppednetworks:- searxngports:- "0.0.0.0:8080:8080"volumes:- ./searxng:/etc/searxng:rwenvironment:- SEARXNG_BASE_URL=https://${SEARXNG_HOSTNAME:-localhost}/cap_drop:- ALLcap_add:- CHOWN- SETGID- SETUIDlogging:driver: "json-file"options:max-size: "1m"max-file: "1"networks:searxng:volumes:caddy-data:caddy-config:valkey-data2:
  • searxng配置
# 设置秘钥
sed -i "s|ultrasecretkey|$(openssl rand -hex 32)|g" searxng/settings.yml
# limiter设置为false,设置formats
vim searxng/settings.yml

settings.yml内容如下:

use_default_settings: true
server:# base_url is defined in the SEARXNG_BASE_URL environment variable, see .env and docker-compose.ymlsecret_key: "fc6a61736b885ace5f990f840006d057c01604501a36636b4a378f4b2cb89fdf"  # change this!limiter: false  # can be disabled for a private instanceimage_proxy: true
ui:static_use_hash: true
redis:url: redis://redis:6379/0
search:formats:- html- json

如果没有配置search.formats,在使用langchain进行调用的时候会报503错误,相关issue如下:

https://github.com/langchain-ai/langchain/issues/855

  • 启动
# 启动
docker-compose up -d
# 停止
docker-compose stop
  • 访问localhost:8080,如下:

代码实现

代码

from typing import List
from langchain_community.utilities import SearxSearchWrapper
import requests
from requests.exceptions import RequestException
from langchain_community.document_loaders import AsyncHtmlLoader
from langchain_community.document_transformers.html2text import Html2TextTransformer
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai.chat_models import ChatOpenAI
from langchain.prompts.chat import ChatPromptTemplate
import faiss
from langchain_community.vectorstores import FAISS
from langchain_community.docstore import InMemoryDocstore
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_core.documents import Document
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains.retrieval import create_retrieval_chain
import os
import sys
sys.path.append(os.path.abspath(os.pardir))
from global_config import MODEL_CACHE_DIR
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"def check_url_access(urls: List[str]) -> List[str]:urls_can_access = []for url in urls:try:req_res = requests.get(url)if req_res is not None and req_res.ok:urls_can_access.append(url)except RequestException as e:continuereturn urls_can_accessdef get_chat_llm(streaming=False, temperature=0, max_tokens=2048) -> ChatOpenAI:chat_llm = ChatOpenAI(model_name="Qwen2-7B-Instruct",openai_api_key="empty",openai_api_base="http://localhost:8000/v1",max_tokens=max_tokens,temperature=temperature,streaming=streaming)return chat_llmdef get_retriever(documents: List[Document]):# embeddingembeddings = HuggingFaceEmbeddings(model_name=os.path.join(MODEL_CACHE_DIR, "maidalun/bce-embedding-base_v1"))# faissfaiss_index = faiss.IndexFlatL2(len(embeddings.embed_query("hello world")))  # 指定向量维度vector_store = FAISS(embedding_function=embeddings,index=faiss_index,docstore=InMemoryDocstore(),index_to_docstore_id={})vector_store.add_documents(documents)return vector_store.as_retriever()def get_answer_prompt() -> ChatPromptTemplate:system_prompt = """你是一个问答任务的助手,请依据以下检索出来的信息去回答问题:{context}"""return ChatPromptTemplate([("system", system_prompt),("human", "{input}")])if __name__ == '__main__':llm = get_chat_llm()search = SearxSearchWrapper(searx_host="http://localhost:8080/")query = "《元梦之星》这款游戏是什么时候发行的"results = search.results(query,                                  # 搜索内容language="zh-CN",                       # 语言safesearch=1,                           # 可选0(不过滤任何结果),1(中等级别内容过滤),2(严格级别内容过滤)categories="general",                   # 搜索内容,取值general/images/videos等engines=["bing", "brave", "google"],    # 搜索引擎num_results=3                           # 返回内容数)print(f"search results: {results}")urls_to_look = [ele["link"] for ele in results if ele.get("link", None)]# 检查url是否可达urls = check_url_access(urls_to_look)print(f"urls: {urls}")# loaderloader = AsyncHtmlLoader(urls, ignore_load_errors=True, requests_kwargs={"timeout": 5})docs = loader.load()# transformerhtml2text = Html2TextTransformer()docs = html2text.transform_documents(docs)# text splittext_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)docs = text_splitter.split_documents(docs)# retrieverretriever = get_retriever(docs)# create_stuff_documents_chain的prompt必须含有context变量qa_chain = create_stuff_documents_chain(llm, get_answer_prompt())rag_chain = create_retrieval_chain(retriever, qa_chain)res = rag_chain.invoke({"input": query})print(res["answer"])

结果输出

《元梦之星》这款游戏是在2023年12月15日全平台上线发行的。

直接请求模型输出

curl http://localhost:8000/v1/chat/completions \-H "Content-Type: application/json" \-d '{"model": "Qwen2-7B-Instruct","messages": [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "《元梦之星》这款游戏是什么时候发行的"}]}'

从基于搜索的RAG输出和模型原始输出来看,搜索能补充大模型缺失的知识,从而基于新知识来进行回答

参考

https://github.com/searxng/searxng-docker

https://github.com/ptonlix/LangChain-SearXNG

SearxNG Search | 🦜️🔗 LangChain

Conversational RAG | 🦜️🔗 LangChain

maidalun1020/bce-embedding-base_v1 · Hugging Face

这篇关于langchain结合searXNG实现基于搜索RAG的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1124943

相关文章

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.

nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析(结合应用场景)

《nginx-t、nginx-sstop和nginx-sreload命令的详细解析(结合应用场景)》本文解析Nginx的-t、-sstop、-sreload命令,分别用于配置语法检... 以下是关于 nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析,结合实际应

SpringBoot结合Docker进行容器化处理指南

《SpringBoot结合Docker进行容器化处理指南》在当今快速发展的软件工程领域,SpringBoot和Docker已经成为现代Java开发者的必备工具,本文将深入讲解如何将一个SpringBo... 目录前言一、为什么选择 Spring Bootjavascript + docker1. 快速部署与

Linux下删除乱码文件和目录的实现方式

《Linux下删除乱码文件和目录的实现方式》:本文主要介绍Linux下删除乱码文件和目录的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux下删除乱码文件和目录方法1方法2总结Linux下删除乱码文件和目录方法1使用ls -i命令找到文件或目录

SpringBoot+EasyExcel实现自定义复杂样式导入导出

《SpringBoot+EasyExcel实现自定义复杂样式导入导出》这篇文章主要为大家详细介绍了SpringBoot如何结果EasyExcel实现自定义复杂样式导入导出功能,文中的示例代码讲解详细,... 目录安装处理自定义导出复杂场景1、列不固定,动态列2、动态下拉3、自定义锁定行/列,添加密码4、合并

mybatis执行insert返回id实现详解

《mybatis执行insert返回id实现详解》MyBatis插入操作默认返回受影响行数,需通过useGeneratedKeys+keyProperty或selectKey获取主键ID,确保主键为自... 目录 两种方式获取自增 ID:1. ​​useGeneratedKeys+keyProperty(推