rag-conversation

这个模板用于对话式检索，这是LLM最受欢迎的用例之一。

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，并需要设置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，您首先应该安装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的包，可以执行以下操作：

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

如果要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。 LangSmith目前处于私有测试版，您可以在此处注册。 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，则可以直接启动LangServe实例：

langchain serve

这将在本地启动一个运行在http://localhost:8000的FastAPI应用程序

我们可以在http://127.0.0.1:8000/docs上查看所有模板 我们可以在http://127.0.0.1:8000/rag-conversation/playground上访问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")