跳至内容
表达式（LangChain Expression Language）
快速入门（GetStarted）

快速入门（GetStarted）

pip install langchain docarray tiktoken

来自 langchain_community.vectorstores 的 DocArrayInMemorySearch 类提供了一个用于在内存中搜索的文档集合。StrOutputParser 类用于解析输出。ChatPromptTemplate 类用于构建 Prompt 模板。RunnableParallel 和 RunnablePassthrough 类用于运行可调用对象。OpenAIEmbeddings 类用于嵌入文本。

vectorstore 是从给定的文本创建的 DocArrayInMemorySearch 对象，这些文本包括 “harrison worked at kensho” 和 “bears like to eat honey”。retriever 是一个从 vectorstore 生成的检索器。

template 是一个基于上下文 context 和问题 question 的 Prompt 模板。prompt 是从模板创建的 ChatPromptTemplate 对象。output_parser 是一个用于解析 ChatMessage 的 StrOutputParser 对象。

setup_and_retrieval 是一个 RunnableParallel 对象，它将 retriever 作为 context 参数添加到上下文中，并使用 RunnablePassthrough 将问题添加到上下文中。

chain 是一个 Runnable 对象的组合，包括 setup_and_retrieval、prompt、model 和 output_parser。

chain.invoke(“where did harrison work?")会触发链式调用，并返回结果。

在这个例子中，组合链是:

chain = setup_and_retrieval | prompt | model | output_parser

解释这个链式调用，首先我们可以看到上面的 prompt 模板以 context 和 question 作为要替换的值。在构建 prompt 模板之前，我们希望检索与搜索相关的文档，并将它们作为上下文的一部分包含在内。

作为一个预备步骤，我们使用内存存储设置了检索器，它可以根据查询来检索文档。这也是一个可运行的组件，可以与其他组件链接在一起，但你也可以尝试单独运行它:

retriever.invoke("where did harrison work?")

然后，我们使用 RunnableParallel 来准备 prompt 的期望输入，使用检索器来检索文档搜索的结果，并使用 RunnablePassthrough 传递用户的问题:

setup_and_retrieval = RunnableParallel(
    {"context": retriever, "question": RunnablePassthrough()}
)

回顾一下，完整的链式调用是:

setup_and_retrieval = RunnableParallel(
    {"context": retriever, "question": RunnablePassthrough()}
)
chain = setup_and_retrieval | prompt | model | output_parser

流程如下:

  1. 首先创建一个包含两个条目的 RunnableParallel 对象。第一个条目 context 将包含检索器获取的文档结果。第二个条目 question 将包含用户原始问题。为了传递问题，我们使用 RunnablePassthrough 复制该条目。
  2. 将上一步生成的字典传递给 prompt 组件。然后，它将用户输入（即问题）和检索到的文档（即上下文）用于构建提示，并输出一个 PromptValue。
  3. model 组件使用生成的提示，并传递给 OpenAI LLM 模型进行评估。模型生成的输出是一个 ChatMessage 对象。
  4. 最后，output_parser 组件接受一个 ChatMessage，并将其转换为 Python 字符串，返回 invoke 方法的结果。
    graph LR
    A(Question) --> B(RunnableParallel)
    B -->|Question| C(Retriever)
    B -->|Question| D(RunnablePassThrough)
    C -->|context=retrieved docs| E(PromptTemplate)
    D -->|question=Question| E
    E -->|PromptValue| F(ChatModel)    
    F -->|ChatMessage| G(StrOutputParser)
    G --> |String| H(Result)

下一步

我们建议阅读我们的 LCEL 优势 部分，以查看使用和不使用 LCEL 时生成常见功能所需的代码的对比。

接口（Interface）