Créer la chaîne de récupération

Le grand final du chapitre ! Vous allez créer une chaîne de récupération en utilisant le langage d'expressions de LangChain (LCEL). Elle combinera le magasin de vecteurs qui contient vos segments de document intégrés tirés de l'article RAG que vous avez chargé plus tôt, un modèle d'invite et un LLM afin que vous puissiez commencer à interagir avec vos documents.

Voici un rappel du prompt_template que vous avez créé dans l'exercice précédent et qui est à votre disposition :

Use the only the context provided to answer the following question. If you don't know the answer, reply that you are unsure.
Context: {context}
Question: {question}

Le vector_store de segments de document intégrés que vous avez créé précédemment a aussi été chargé pour vous, ainsi que toutes les bibliothèques et classes nécessaires.

Cette activité fait partie du cours

Retrieval Augmented Generation (RAG) avec LangChain

Voir le cours

Instructions de l’exercice

Convertissez le vector_store Chroma en objet récupérateur (retriever) à utiliser dans la chaîne de récupération LCEL.
Créez la chaîne de récupération LCEL pour combiner le retriever, le prompt_template, le llm et un analyseur de sortie en chaîne afin qu'elle puisse répondre aux questions en entrée.
Lancez (invoke) la chaîne avec la question fournie.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Convert the vector store into a retriever
retriever = vector_store.____(search_type="similarity", search_kwargs=____)

# Create the LCEL retrieval chain
chain = (
    {"____": ____, "question": ____}
    | ____
    | ____
    | ____
)

# Invoke the chain
print(chain.____("Who are the authors?"))

Modifier et exécuter le code