Construire la chaîne de recherche

Et voici le final de ce chapitre ! Vous allez créer une chaîne de recherche à l’aide du LangChain Expression Language (LCEL). Elle combinera le vector store contenant les segments de documents incorporés depuis 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 documents incorporés que vous avez créé précédemment a également été chargé pour vous, ainsi que toutes les bibliothèques et classes nécessaires.

Cet exercice fait partie du cours

Retrieval Augmented Generation (RAG) avec LangChain

Afficher le cours

Instructions

Convertissez le vector_store Chroma en un objet retriever pour l’utiliser dans la chaîne de recherche LCEL.
Créez la chaîne de recherche LCEL en combinant le retriever, le prompt_template, le llm et un parseur de sortie en chaîne afin qu’elle puisse répondre aux questions en entrée.
Exécutez la chaîne sur la question fournie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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