开始使用免费开始使用

构建检索链

来到本章的收官环节！您将使用 LangChain 的表达式语言（LCEL）创建一个检索链。它会把您先前加载的 RAG 论文所生成的嵌入文档分块的向量存储、提示模板和一个 LLM 组合起来，这样您就可以开始与文档对话。

下面是您在上一个练习中创建并可直接使用的 prompt_template 提醒：

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}

您之前创建的嵌入文档分块的 vector_store 也已为您加载好，同时还包含所有必需的库和类。

本练习是课程的一部分

使用 LangChain 的 Retrieval Augmented Generation (RAG)

查看课程

练习说明

  • 将 Chroma 的 vector_store 转换为可在 LCEL 检索链中使用的检索器对象。
  • 创建 LCEL 检索链，组合 retriever、prompt_template、llm 与字符串输出解析器，使其能够回答输入问题。
  • 在给定的问题上调用该链。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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?"))
编辑并运行代码