Spring Boot集成LangChain來實現(xiàn)Rag應用的問題小結
更新時間：2024年09月26日 09:30:29 作者：HBLOGA
檢索增強生成（RAG）是一種優(yōu)化大型語言模型（LLM）輸出的技術,通過引用權威知識庫以增強模型的準確性和相關性,RAG允許LLM在不重新訓練的情況下訪問特定領域的知識,提高了其在各種應用中的實用性和信任度,感興趣的朋友跟隨小編一起看看吧
1.什么是rag？
檢索增強生成（RAG）是指對大型語言模型輸出進行優(yōu)化，使其能夠在生成響應之前引用訓練數(shù)據(jù)來源之外的權威知識庫。大型語言模型（LLM）用海量數(shù)據(jù)進行訓練，使用數(shù)十億個參數(shù)為回答問題、翻譯語言和完成句子等任務生成原始輸出。在 LLM 本就強大的功能基礎上，RAG 將其擴展為能訪問特定領域或組織的內部知識庫，所有這些都無需重新訓練模型。這是一種經濟高效地改進 LLM 輸出的方法，讓它在各種情境下都能保持相關性、準確性和實用性。
為什么檢索增強生成很重要？
LLM 是一項關鍵的人工智能（AI）技術，為智能聊天機器人和其他自然語言處理（NLP）應用程序提供支持。目標是通過交叉引用權威知識來源，創(chuàng)建能夠在各種環(huán)境中回答用戶問題的機器人。不幸的是，LLM 技術的本質在 LLM 響應中引入了不可預測性。此外，LLM 訓練數(shù)據(jù)是靜態(tài)的，并引入了其所掌握知識的截止日期。 LLM 面臨的已知挑戰(zhàn)包括：
- 在沒有答案的情況下提供虛假信息。
- 當用戶需要特定的當前響應時，提供過時或通用的信息。
- 從非權威來源創(chuàng)建響應。
- 由于術語混淆，不同的培訓來源使用相同的術語來談論不同的事情，因此會產生不準確的響應。
您可以將大型語言模型看作是一個過于熱情的新員工，他拒絕隨時了解時事，但總是會絕對自信地回答每一個問題。不幸的是，這種態(tài)度會對用戶的信任產生負面影響，這是您不希望聊天機器人效仿的！ RAG 是解決其中一些挑戰(zhàn)的一種方法。它會重定向 LLM，從權威的、預先確定的知識來源中檢索相關信息。組織可以更好地控制生成的文本輸出，并且用戶可以深入了解 LLM 如何生成響應。
檢索增強生成的工作原理是什么？
如果沒有 RAG，LLM 會接受用戶輸入，并根據(jù)它所接受訓練的信息或它已經知道的信息創(chuàng)建響應。RAG 引入了一個信息檢索組件，該組件利用用戶輸入首先從新數(shù)據(jù)源提取信息。用戶查詢和相關信息都提供給 LLM。LLM 使用新知識及其訓練數(shù)據(jù)來創(chuàng)建更好的響應。以下各部分概述了該過程。
創(chuàng)建外部數(shù)據(jù)
LLM 原始訓練數(shù)據(jù)集之外的新數(shù)據(jù)稱為外部數(shù)據(jù)。它可以來自多個數(shù)據(jù)來源，例如 API、數(shù)據(jù)庫或文檔存儲庫。數(shù)據(jù)可能以各種格式存在，例如文件、數(shù)據(jù)庫記錄或長篇文本。另一種稱為嵌入語言模型的 AI 技術將數(shù)據(jù)轉換為數(shù)字表示形式并將其存儲在向量數(shù)據(jù)庫中。這個過程會創(chuàng)建一個生成式人工智能模型可以理解的知識庫。
檢索相關信息
下一步是執(zhí)行相關性搜索。用戶查詢將轉換為向量表示形式，并與向量數(shù)據(jù)庫匹配。例如，考慮一個可以回答組織的人力資源問題的智能聊天機器人。如果員工搜索：“我有多少年假？”，系統(tǒng)將檢索年假政策文件以及員工個人過去的休假記錄。這些特定文件將被退回，因為它們與員工輸入的內容高度相關。相關性是使用數(shù)學向量計算和表示法計算和建立的。
增強 LLM 提示
接下來，RAG 模型通過在上下文中添加檢索到的相關數(shù)據(jù)來增強用戶輸入（或提示）。此步驟使用提示工程技術與 LLM 進行有效溝通。增強提示允許大型語言模型為用戶查詢生成準確的答案。
更新外部數(shù)據(jù)
下一個問題可能是——如果外部數(shù)據(jù)過時了怎么辦？ 要維護當前信息以供檢索，請異步更新文檔并更新文檔的嵌入表示形式。您可以通過自動化實時流程或定期批處理來執(zhí)行此操作。這是數(shù)據(jù)分析中常見的挑戰(zhàn)——可以使用不同的數(shù)據(jù)科學方法進行變更管理。 下圖顯示了將 RAG 與 LLM 配合使用的概念流程。
2.什么是LangChain?
LangChain 是一個用于開發(fā)由語言模型驅動的應用程序的框架。他主要擁有 2 個能力：
- 可以將 LLM 模型與外部數(shù)據(jù)源進行連接
- 允許與 LLM 模型進行交互
LLM 模型：Large Language Model，大型語言模型
3.代碼工程
實驗目的
利用LangChain實現(xiàn)rag應用
pom.xml
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>3.2.1</version>
<relativePath/> <!-- lookup parent from repository -->
</parent>
<modelVersion>4.0.0</modelVersion>
<artifactId>rag</artifactId>
<properties>
<java.version>17</java.version>
<langchain4j.version>0.23.0</langchain4j.version>
</properties>
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-thymeleaf</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-devtools</artifactId>
<scope>runtime</scope>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j</artifactId>
<version>${langchain4j.version}</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-open-ai</artifactId>
<version>${langchain4j.version}</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings</artifactId>
<version>${langchain4j.version}</version>
</dependency>
<dependency>
<groupId>dev.langchain4j</groupId>
<artifactId>langchain4j-embeddings-all-minilm-l6-v2</artifactId>
<version>${langchain4j.version}</version>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<optional>true</optional>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<configuration>
<excludes>
<exclude>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
</exclude>
</excludes>
</configuration>
</plugin>
</plugins>
</build>
</project>controller
package com.et.rag.controller;
import com.et.rag.service.SBotService;
import lombok.RequiredArgsConstructor;
import org.springframework.http.ResponseEntity;
import org.springframework.stereotype.Controller;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestBody;
@Controller
@RequiredArgsConstructor
public class SBotController {
private final SBotService sBotService;
@GetMapping
public String home() {
return "index";
}
@PostMapping("/ask")
public ResponseEntity<String> ask(@RequestBody String question) {
try {
return ResponseEntity.ok(sBotService.askQuestion(question));
} catch (Exception e) {
return ResponseEntity.badRequest().body("Sorry, I can't process your question right now.");
}
}
}service
package com.et.rag.service;
import dev.langchain4j.chain.ConversationalRetrievalChain;
import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.stereotype.Service;
@Service
@RequiredArgsConstructor
@Slf4j
public class SBotService {
private final ConversationalRetrievalChain chain;
public String askQuestion(String question) {
log.debug("======================================================");
log.debug("Question: " + question);
String answer = chain.execute(question);
log.debug("Answer: " + answer);
log.debug("======================================================");
return answer;
}
}EmbeddingStoreLoggingRetriever
package com.et.rag.retriever;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.retriever.EmbeddingStoreRetriever;
import dev.langchain4j.retriever.Retriever;
import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import java.util.List;
/**
* EmbeddingStoreLoggingRetriever is a logging-enhanced for an EmbeddingStoreRetriever.
* <p>
* This class logs the relevant TextSegments discovered by the supplied
* EmbeddingStoreRetriever for improved transparency and debugging.
* <p>
* Logging happens at INFO level, printing each relevant TextSegment found
* for a given input text once the findRelevant method is called.
*/
@RequiredArgsConstructor
@Slf4j
public class EmbeddingStoreLoggingRetriever implements Retriever<TextSegment> {
private final EmbeddingStoreRetriever retriever;
@Override
public List<TextSegment> findRelevant(String text) {
List<TextSegment> relevant = retriever.findRelevant(text);
relevant.forEach(segment -> {
log.debug("=======================================================");
log.debug("Found relevant text segment: {}", segment);
});
return relevant;
}
}components
初始化documents
package com.et.rag.configuration;
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.UrlDocumentLoader;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.List;
import static com.et.rag.constant.Constants.SPRING_BOOT_RESOURCES_LIST;
@Configuration
public class DocumentConfiguration {
@Bean
public List<Document> documents() {
return SPRING_BOOT_RESOURCES_LIST.stream()
.map(url -> {
try {
return UrlDocumentLoader.load(url);
} catch (Exception e) {
throw new RuntimeException("Failed to load document from " + url, e);
}
})
.toList();
}
}初始化langchain
package com.et.rag.configuration;
import com.et.rag.retriever.EmbeddingStoreLoggingRetriever;
import dev.langchain4j.chain.ConversationalRetrievalChain;
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.splitter.DocumentSplitters;
import dev.langchain4j.data.segment.TextSegment;
import dev.langchain4j.model.embedding.AllMiniLmL6V2EmbeddingModel;
import dev.langchain4j.model.embedding.EmbeddingModel;
import dev.langchain4j.model.input.PromptTemplate;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.retriever.EmbeddingStoreRetriever;
import dev.langchain4j.store.embedding.EmbeddingStore;
import dev.langchain4j.store.embedding.EmbeddingStoreIngestor;
import dev.langchain4j.store.embedding.inmemory.InMemoryEmbeddingStore;
import lombok.RequiredArgsConstructor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.time.Duration;
import java.util.List;
import static com.et.rag.constant.Constants.PROMPT_TEMPLATE_2;
@Configuration
@RequiredArgsConstructor
@Slf4j
public class LangChainConfiguration {
@Value("${langchain.api.key}")
private String apiKey;
@Value("${langchain.timeout}")
private Long timeout;
private final List<Document> documents;
@Bean
public ConversationalRetrievalChain chain() {
EmbeddingModel embeddingModel = new AllMiniLmL6V2EmbeddingModel();
EmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();
EmbeddingStoreIngestor ingestor = EmbeddingStoreIngestor.builder()
.documentSplitter(DocumentSplitters.recursive(500, 0))
.embeddingModel(embeddingModel)
.embeddingStore(embeddingStore)
.build();
log.info("Ingesting Spring Boot Resources ...");
ingestor.ingest(documents);
log.info("Ingested {} documents", documents.size());
EmbeddingStoreRetriever retriever = EmbeddingStoreRetriever.from(embeddingStore, embeddingModel);
EmbeddingStoreLoggingRetriever loggingRetriever = new EmbeddingStoreLoggingRetriever(retriever);
/*MessageWindowChatMemory chatMemory = MessageWindowChatMemory.builder()
.maxMessages(10)
.build();*/
log.info("Building ConversationalRetrievalChain ...");
ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder()
.chatLanguageModel(OpenAiChatModel.builder()
.apiKey(apiKey)
.timeout(Duration.ofSeconds(timeout))
.build()
)
.promptTemplate(PromptTemplate.from(PROMPT_TEMPLATE_2))
//.chatMemory(chatMemory)
.retriever(loggingRetriever)
.build();
log.info("Spring Boot knowledge base is ready!");
return chain;
}
}application.yaml
langchain:
api:
# "demo" is a free API key for testing purposes only. Please replace it with your own API key.
key: demo
# key: OPEN_API_KEY
# API call to complete before it is timed out.
timeout: 30index.html
<!DOCTYPE html>
<html lang="en"
xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1">
<title>Spring Boot Doc Bot</title>
<link rel="external nofollow" rel="stylesheet">
<link rel="stylesheet" rel="external nofollow" >
</head>
<body>
<nav class="bg-dark text-white py-3">
<div class="text-center d-flex justify-content-center align-items-center">
<img src="/logo.png" alt="Logo" style="width:60px; margin-right: 10px;">
<h2 style="margin: 0;">Welcome to Spring Boot Documentation Bot</h2>
</div>
</nav>
<div class="container mt-5">
<div class="row">
<div class="col-md-8 offset-2">
<h3 class="text-center mb-3">Ask your Spring related queries here!</h3>
<form>
<div class="mb-3">
<label for="questionInput" class="form-label">Question</label>
<input type="text" class="form-control" id="questionInput" name="question" placeholder="Enter your question" required>
</div>
<div class="mb-3 text-center">
<button id="submitBtn" type="button" class="btn btn-primary">Ask!</button>
<button id="clearBtn" type="button" class="btn btn-secondary">Clear</button>
</div>
</form>
</div>
</div>
<div class="row my-5">
<div class="col-md-8 offset-md-2">
<label for="answerBox" class="form-label"><h5>Answer</h5></label>
<div class="position-relative my-3">
<textarea class="form-control" rows="10" id="answerBox" disabled></textarea>
<a href="#" rel="external nofollow" class="position-absolute top-0 end-0 m-2" id="copyBtn">
<i class="far fa-copy"></i>
</a>
</div>
</div>
</div>
</div>
<script src="https://code.jquery.com/jquery-3.7.1.min.js"></script>
<script>
$(document).ready(function () {
$("#submitBtn").click(function () {
let questionValue = $("#questionInput").val();
if (!questionValue) {
alert('Please enter your question');
return;
}
$("#answerBox").val('Please wait... fetching answer...');
$.ajax({
type: "POST",
url: "/ask",
data: JSON.stringify({ question: $("#questionInput").val() }),
//contentType: "application/json; charset=utf-8",
dataType: "text",
success: function (data) {
//console.log(typeof data);
//console.log(data);
$("#answerBox").val(data);
},
error: function (errMsg) {
alert(errMsg);
}
});
});
$("#clearBtn").click(function () {
$("#questionInput").val('');
$("#answerBox").val('');
});
document.getElementById("copyBtn").addEventListener("click", function() {
var copyText = document.getElementById("answerBox");
copyText.select();
copyText.setSelectionRange(0, 99999);
document.execCommand("copy");
alert("Copied: " + copyText.value);
});
});
</script>
</body>
</html>只是一些關鍵代碼，所有代碼請參見下面代碼倉庫
代碼倉庫
4.測試
啟動Spring Boot應用，訪問http://127.0.0.1:8080/
5.引用
GitHub - liaokongVFX/LangChain-Chinese-Getting-Started-Guide: LangChain 的中文入門教程
Spring Boot集成LangChain來實現(xiàn)Rag應用 | Harries Blog™
到此這篇關于Spring Boot集成LangChain來實現(xiàn)Rag應用的文章就介紹到這了,更多相關Spring Boot集成LangChain Rag應用內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
今天工作的時候發(fā)現(xiàn)了一個錯誤，提示java版本太低，無法啟動！想起自己裝過高版本的Java，但是卻沒有默認啟動，從網(wǎng)上找了一些資料，整理下現(xiàn)在分享給大家，有需要的可以參考借鑒。2016-10-10
springboot+websocket實現(xiàn)并發(fā)搶紅包功能
本文主要介紹了springboot+websocket實現(xiàn)并發(fā)搶紅包功能，主要包含了4種步驟，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-12-12
SpringBoot整合Spring?Boot?Admin實現(xiàn)服務監(jiān)控的方法
這篇文章主要介紹了SpringBoot整合Spring?Boot?Admin實現(xiàn)服務監(jiān)控,內容包括Server端服務開發(fā)，Client端服務開發(fā)其中Spring Boot Admin還可以對其監(jiān)控的服務提供告警功能，如服務宕機時，可以及時以郵件方式通知運維人員，感興趣的朋友跟隨小編一起看看吧2022-03-03
Maven項目引用第三方jar包找不到類ClassNotFoundException
這篇文章主要為大家介紹了Maven項目引用第三方jar包找不到類ClassNotFoundException解決及原因分析，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-07-07
這篇文章主要介紹了SpringBoot事件機制相關知識點匯總,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09
下面小編就為大家?guī)硪黄猦ibernate5.2的基本配置方法(詳解)。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-06-06
淺談MyBatisPlus中LocalDateTime引發(fā)的一些問題和解決辦法
MyBatisPlus進行數(shù)據(jù)庫操作時,我們經常會遇到處理日期時間類型的需求,本文主要介紹了淺談MyBatisPlus中LocalDateTime引發(fā)的一些問題和解決辦法,具有一定的參考價值,感興趣的可以了解一下2024-07-07
一文詳解SpringBoot使用Kafka如何保證消息不丟失
這篇文章主要為大家詳細介紹了SpringBoot使用Kafka如何保證消息不丟失的相關知識,文中的示例代碼講解詳細,有需要的小伙伴可以參考一下2025-01-01
java.imageIo給圖片添加水印的實現(xiàn)代碼
最近項目在做一個商城項目, 項目上的圖片要添加水印①,添加圖片水印;②:添加文字水印;一下提供下個方法,希望大家可以用得著2013-07-07
這篇文章主要為大家詳細介紹了java代碼實現(xiàn)雙向鏈表，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-05-05