rag-semi-structured
这个模板用于对半结构化数据进行 RAG 处理，比如包含文本和表格的 PDF 文件。
参考这个食谱。
环境设置
设置 OPENAI_API_KEY 环境变量以访问 OpenAI 模型。
这里使用 Unstructured 进行 PDF 解析，需要进行一些系统级包安装。
在 Mac 上，你可以使用以下命令安装必要的包：
shell
brew install tesseract poppler使用方法
要使用这个包，你首先需要安装 LangChain CLI：
shell
pip install -U langchain-cli要创建一个新的 LangChain 项目并将此包安装为唯一包，可以执行：
shell
langchain app new my-app --package rag-semi-structured如果你想将其添加到现有项目中，只需运行：
shell
langchain app add rag-semi-structured然后将以下代码添加到你的 server.py 文件中：
python
from rag_semi_structured import chain as rag_semi_structured_chain
add_routes(app, rag_semi_structured_chain, path="/rag-semi-structured")（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。
你可以在这里注册 LangSmith。
如果你没有访问权限，可以跳过这一部分。
shell
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"如果你在这个目录中，你可以直接启动 LangServe 实例：
shell
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：
python
from langserve.client import RemoteRunnable
runnable = RemoteRunnable("http://localhost:8000/rag-semi-structured")有关如何连接到模板的更多详细信息，请参考 Jupyter 笔记本 rag_semi_structured。