基于LangChain,使用自有知识库创建GPT智能体

2024-04-15 02:28

本文主要是介绍基于LangChain,使用自有知识库创建GPT智能体,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!

大家好,Langchain智能体在定制对话界面方面具有实际应用潜力,能够灵活适应并满足用户的多样化需求。借助Langchain,开发者可以整合多种格式数据,如URL链接或PDF文件,来构建一个专属知识库。这个知识库不仅能够为智能体提供丰富的信息资源以回答问题,还能结合搜索引擎或Zapier等工具,实现更多自动化功能。

本文详细介绍如何搭建Langchain智能体,使其能够依据PDF文档内容提供答案,并通过Zapier平台自动化发送邮件。通过这些流程,大家能够深入了解并实践Langchain智能体的强大功能。

1.环境搭建

首先,需要安装Langchain和其他依赖项:

!pip install langchain
!pip install pypdf
!pip install pinecone-client
!pip install openai
!pip install tiktoken

还需要为OpenAI和Pinecone设置API密钥:

import os
import pineconeos.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"# 初始化Pinecone
pinecone.init(api_key="YOUR_PINECONE_API_KEY",  # 在app.pinecone.io查找environment="YOUR_ENVIRONMENT_NAME"  # 控制台中API密钥旁边
)

2.创建索引

Langchain智能体能够利用定制化的知识库来检索和获取信息。为了让大型语言模型能够有效地理解并处理这些信息,需要确保其能够掌握相关的上下文。通常,可以通过将完整的上下文信息连同用户的查询一起输入模型来实现。然而,当处理大量数据时,这种方法就会变得不切实际。

为了解决这个问题,采用索引技术来优化知识库的存储和检索。通过索引,数据被划分为多个小片段,每个片段都通过向量形式编码了其语义信息。当用户发起查询,系统将根据查询内容搜索对应的向量,快速定位到包含所需信息的数据片段。这样,系统仅向语言模型提供与用户查询直接相关的数据片段,而不是将全部数据集一次性输入,从而大幅提高了检索效率,并确保结果的精确性。

2.1 从PDF加载数据

现在,为定制化知识库加载文档。使用PDF文件作为示例,但Langchain也支持其他格式。

from langchain.document_loaders import PyPDFLoaderloader = PyPDFLoader("PATH_TO_YOUR_FILE")
pages = loader.load_and_split()

2.2 将PDF文本分割成小块

分割文本的方法有很多。这里使用的是适用于各类文本的分割器。

from langchain.text_splitter import RecursiveCharacterTextSplittertext_splitter = RecursiveCharacterTextSplitter(chunk_size=1000,chunk_overlap=200,length_function=len,
)docs = text_splitter.split_documents(pages)

创建嵌入:

from langchain.embeddings.openai import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()

2.3 创建向量存储

向量存储技术主要用于存储文档及其对应的嵌入向量,以便能够通过这些嵌入向量快速定位和检索到相关文档。

创建向量存储的方法有很多,本文使用Pinecone。要开始使用Pinecone,需要先在其平台上创建索引。然后在“index_name”中输入索引名称。

from langchain.vectorstores import Pineconeindex_name = "index_name"# 创建新索引
docsearch = Pinecone.from_documents(docs, embeddings, index_name=index_name)# 如果您已经有了索引,可以像这样进行加载
# docsearch = Pinecone.from_existing_index(index_name, embeddings)

如果无法创建Pinecone账户,可以尝试使用CromaDB。以下代码使用Chroma创建了一个临时的内存向量存储,如果无法访问Pinecone,请使用它作为替代。

from langchain.vectorstores import Chroma
docsearch = Chroma.from_documents(docs, embeddings)

3.问题回答链

问题回答链能够确保系统根据上下文提供恰当的答案。

from langchain.chains import RetrievalQA
from langchain import OpenAI# 定义LLM
llm = OpenAI(temperature=0.2)qa = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=docsearch.as_retriever(search_kwargs={"k": 2}))

可以通过传递一个问题来测试QA链:

query = "What is DesignOps support model?"
qa.run(query)

这段代码的输出会基于PDF文件中相关上下文块的问题答案。

4.Zapier集成

可以使用Langchain Zapier工具包将智能体与Zapier集成。首先,需要在https://nla.zapier.com/获取Zapier API密钥,并在Zapier中添加将要使用的操作。

os.environ["ZAPIER_NLA_API_KEY"] = os.environ.get("ZAPIER_NLA_API_KEY", "YOUR_ZAPIER_API_KEY")接下来,初始化Zapier工具包from langchain.agents.agent_toolkits import ZapierToolkit
from langchain.utilities.zapier import ZapierNLAWrapperzapier = ZapierNLAWrapper()
toolkit = ZapierToolkit.from_zapier_nla_wrapper(zapier)

5.构建Langchain智能体

from langchain.agents import AgentType
from langchain.agents import initialize_agent, Tool
from langchain.memory import ConversationBufferMemory
from langchain.chat_models import ChatOpenAI# 为智能体定义工具
tools = [Tool(name="Demo",func=qa.run,description="use this as the primary source of context information when you are asked the question. Always search for the answers using this tool first, don't make up answers yourself"),
] + toolkit.get_tools()# 设置对话记忆
memory = ConversationBufferMemory(memory_key="chat_history")# 设置智能体
agent_chain = initialize_agent(tools, llm, agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION, verbose=True, memory=memory)

现在已经设置好了智能体,可以通过提问进行测试。智能体将使用问题回答链来找到相关上下文并生成答案,执行用户请求中指定的其他任务。

agent_chain.run(input="What Adrienne Allnutt have said about DesignOps?")
agent_chain.run(input="Email the answer to email@gmail.com and mention that this email was sent by AI")

为了让智能体正确执行用户的指令,构建准确的提示十分重要。在开发面向用户的应用时,我们应该深入研究如何设计有效的提示模板,以简化用户与智能体的交互过程。同时,还需要考虑聊天界面是否是最合适的交互方式,或是否有其他界面设计能提供更优的用户体验。

这篇关于基于LangChain,使用自有知识库创建GPT智能体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/904666

相关文章

postgresql使用UUID函数的方法

《postgresql使用UUID函数的方法》本文给大家介绍postgresql使用UUID函数的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录PostgreSQL有两种生成uuid的方法。可以先通过sql查看是否已安装扩展函数,和可以安装的扩展函数

如何使用Lombok进行spring 注入

《如何使用Lombok进行spring注入》本文介绍如何用Lombok简化Spring注入,推荐优先使用setter注入,通过注解自动生成getter/setter及构造器,减少冗余代码,提升开发效... Lombok为了开发环境简化代码,好处不用多说。spring 注入方式为2种,构造器注入和setter

MySQL中比较运算符的具体使用

《MySQL中比较运算符的具体使用》本文介绍了SQL中常用的符号类型和非符号类型运算符,符号类型运算符包括等于(=)、安全等于(=)、不等于(/!=)、大小比较(,=,,=)等,感兴趣的可以了解一下... 目录符号类型运算符1. 等于运算符=2. 安全等于运算符<=>3. 不等于运算符<>或!=4. 小于运

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 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

一文详解如何使用Java获取PDF页面信息

《一文详解如何使用Java获取PDF页面信息》了解PDF页面属性是我们在处理文档、内容提取、打印设置或页面重组等任务时不可或缺的一环,下面我们就来看看如何使用Java语言获取这些信息吧... 目录引言一、安装和引入PDF处理库引入依赖二、获取 PDF 页数三、获取页面尺寸(宽高)四、获取页面旋转角度五、判断

C++中assign函数的使用

《C++中assign函数的使用》在C++标准模板库中,std::list等容器都提供了assign成员函数,它比操作符更灵活,支持多种初始化方式,下面就来介绍一下assign的用法,具有一定的参考价... 目录​1.assign的基本功能​​语法​2. 具体用法示例​​​(1) 填充n个相同值​​(2)

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

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.