使用 RAG 模板打造 RAG 程序

Redis RAG 模板为开发者提供了一个 REST API，比如与公共财务的 PDF 文档（如 Nike 的 10-K 申报）进行聊天。该应用程序使用：

• FastAPI 和 Uvicorn 通过 HTTP 提供客户端请求服务

• UnstructuredFileLoader 将 PDF 文档解析为原始文本

• RecursiveCharacterTextSplitter 将文本分割成较小的块

• 来自 HuggingFace 的 'all-MiniLM-L6-v2' 句子转换器，将文本块嵌入到向量中

• Redis 作为向量数据库，用于实时上下文检索

• OpenAI 的 'gpt-3.5-turbo-16k' LLM 生成对用户查询的答案

要使用模板运行 RAG 应用程序，您将需要两件事：

1. 一个运行中的 Redis 实例（Redis Cloud 或本地 Redis Stack）

2. 一个 OpenAI API 密钥

以下是使用模板本地构建的步骤：

1. 环境设置：设置 OpenAI API 密钥和 Redis 环境变量：或者设置 REDIS_URL 环境变量而不是各个组件。

   export OPENAI_API_KEY=<your_openai_api_key>export REDIS_HOST=<your_redis_host>export REDIS_PORT=<your_redis_port>export REDIS_USER=<your_redis_user>export REDIS_PASSWORD=<your_redis_password>

2. 创建并激活 Python3.9 虚拟环境：

   python3.9 -m venv lc-templatesource lc-template/bin/activate

3. 安装 LangChain CLI 和 Pydantic：

   pip install -U langchain-cli pydantic==1.10.13

4. 创建一个新的 LangChain 项目：

   运行下面的 LangChain CLI 命令创建一个名为 test-rag 的新目录。

   当提示安装模板时，选择是选项：y 。 这一步将在 ./test-rag/packages 目录下下载 rag-redis 模板内容，并尝试安装 Python 需求。

   langchain app new test-rag --package rag-redis

5. 提取源数据：

   这可能需要几分钟。ingest.py 脚本执行一个管道，如下所示，该管道加载源 PDF 文档，将文本转换为较小的块，使用 HuggingFace 句子转换器模型创建文本嵌入，并将数据加载到 Redis 中。

   

   cd test-rag/packages/rag-redispython ingest.py

6. 使用 LangServe 服务 FastAPI 应用程序：

   cd../ &&cd..langchain serve

7. 在端口 8000 上访问 API。

   启动后，您应该看到以下输出：

   导航到 http://127.0.0.1:8000/docs 查看文档。

   访问 http://127.0.0.1:8000/rag-redis/playground 以使用测试程序，如下所示：

也可以测试 API 的交互，LangChain 应用程序以从 Redis 检索的 Nike 公司 PDF 的丰富上下文结合 OpenAI LLM 的生成能力做出回应。

LangChain 和 Redis 一起推进 AI 创新

通过 LangChain 与 Redis 的集成可以在很多场景下提高高效的混合查询，并能够无需部署向量数据库。

随着AI技术的不断进步，Redis 与 LangChain 的结合为AI应用的开发提供了新的动力和可能性。它们共同构建的高效、可扩展的解决方案，不仅简化了开发流程，更在生产环境中展现出卓越的性能。在未来以AI为核心的生产环境中，这种结合无疑将成为推动创新的重要力量。

Redis 与 LangChain 的结合，就像是科技界的一场完美联姻，它们携手共创的不仅仅是代码，更是智能时代的无限可能。

在 AI 的世界里，Redis 和 LangChain 将会如何继续刷新我们对智能的认知？它们又会如何塑造我们的工作和生活方式？