rag-conversation

这个模板用于对话式 检索，这是最流行的 LLM 应用之一。

它将对话历史和检索到的文档传递给 LLM 进行综合。

环境设置

此模板使用 Pinecone 作为向量存储，并要求设置 PINECONE_API_KEY、PINECONE_ENVIRONMENT 和 PINECONE_INDEX。

设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。

用法

要使用此包，您应首先安装 LangChain CLI：

pip install -U langchain-cli

要创建一个新的 LangChain 项目并将其安装为唯一包，您可以执行：

langchain app new my-app --package rag-conversation

如果您想将其添加到现有项目中，只需运行：

langchain app add rag-conversation

并将以下代码添加到您的 server.py 文件中：

from rag_conversation import chain as rag_conversation_chain
add_routes(app, rag_conversation_chain, path="/rag-conversation")

（可选）现在让我们配置 LangSmith。

LangSmith 将帮助我们跟踪、监视和调试 LangChain 应用程序。

您可以在这里注册 LangSmith。

如果您没有访问权限，可以跳过此部分

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY=<your-api-key>
export LANGCHAIN_PROJECT=<your-project>  # 如果未指定，默认为"default"

如果您在此目录中，则可以通过以下方式直接启动 LangServe 实例：

langchain serve

这将在本地启动一个 FastAPI 应用程序，服务器运行在 http://localhost:8000

我们可以在 http://127.0.0.1:8000/docs 上看到所有模板

我们可以在 http://127.0.0.1:8000/neo4j_cypher/playground 访问 playground

我们可以通过以下代码访问模板：

from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/rag-conversation")