使用 LlamaIndex 构建简单的 RAG 代理

golang学习网今天将给大家带来《使用 LlamaIndex 构建简单的 RAG 代理》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习文章或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

llamaindex 是一个利用法学硕士构建情境增强生成式 ai 应用程序的框架。

什么是上下文增强？

上下文增强是指向 llm 模型提供附加相关信息或上下文的技术，从而提高其对给定查询的理解和响应。这种增强通常涉及检索、集成外部数据源（例如文档、嵌入）或将其附加到模型的输入。目标是通过为模型提供必要的上下文来帮助模型提供更好、更准确和细致的答案，从而使模型更加明智。检索增强生成（rag）是上下文增强最流行的示例。

什么是代理？

代理是由法学硕士提供支持的自动推理和决策引擎，它们使用工具来执行研究、数据提取、网络搜索和更多任务。它们可用于简单的用例，例如基于数据回答问题，以便能够决定并采取行动来完成任务。

在这篇文章中，我们将使用 llamaindex 构建一个简单的 rag 代理。

构建 rag 代理

安装依赖项

我们将使用 python 使用 llamaindex 构建简单的 rag 代理。让我们首先安装所需的依赖项，如下所示：

pip install llama-index python-dotenv

设置llm并加载文档

我们将使用 openai 的 gpt-4o-mini 作为法学硕士。您需要将 api 密钥放入环境变量文件中。您可以在此处阅读有关使用 llamaindex 设置本地法学硕士的更多信息。

from llama_index.core import simpledirectoryreader, vectorstoreindex, settings
from llama_index.llms.openai import openai
from dotenv import load_dotenv

# load environment variables (e.g., openai_api_key)
load_dotenv()

# configure openai model
settings.llm = openai(model="gpt-4o-mini")

# load documents from the local directory
documents = simpledirectoryreader("./data").load_data()

# create an index from documents for querying
index = vectorstoreindex.from_documents(documents)
query_engine = index.as_query_engine()

• 首先，我们使用 openai 配置 llm 模型并指定 gpt-4o-mini 模型。您可以根据您的需要切换到其他可用的模型/llm。
• 然后，我们使用 simpledirectoryreader 从本地 ./data 目录加载文档。该阅读器扫描目录、读取文件并构造数据以供查询。
• 接下来，我们从加载的文档创建向量存储索引，使我们能够在查询执行期间执行高效的基于向量的检索。

为代理创建自定义函数

现在，让我们定义代理可以用来执行任务的一些基本函数。

def multiply(a: float, b: float) -> float:
    """multiply two numbers and returns the product"""
    return a * b

def add(a: float, b: float) -> float:
    """add two numbers and returns the sum"""
    return a + b

为代理创建工具

接下来，我们将根据之前定义的函数和查询引擎创建工具，代理将使用这些工具来执行任务。这些工具充当代理在处理不同类型的查询时可以利用的实用程序。

from llama_index.core.tools import functiontool, queryenginetool

# wrap functions as tools
add_tool = functiontool.from_defaults(fn=add)
multiply_tool = functiontool.from_defaults(fn=multiply)

# create a query engine tool for document retrieval
space_facts_tool = queryenginetool.from_defaults(
    query_engine,
    name="space_facts_tool",
    description="a rag engine with information about fun space facts."
)

• functiontool 包装了加法和乘法函数并将它们公开为工具。代理现在可以访问这些工具来执行计算。
• queryenginetool 包装了 query_engine，以允许代理从向量存储中查询和检索信息。我们将其命名为 space_facts_tool 并附有说明，表明该工具可以检索有关空间事实的信息。您可以摄取任何内容并根据摄取的数据自定义工具。

创建代理

我们现在将使用 reactagent 创建代理。代理将负责决定何时使用这些工具以及如何响应查询。

from llama_index.core.agent import reactagent

# create the agent with the tools
agent = reactagent.from_tools(
    [multiply_tool, add_tool, space_facts_tool], verbose=true
)

该代理使用 react 框架，该框架允许模型通过按逻辑顺序利用给定工具来推理并采取行动。代理使用我们创建的工具进行初始化，并且 verbose=true 标志将输出有关代理如何推理和执行任务的详细信息。

运行代理

最后，让我们在交互式循环中运行代理，它会处理用户查询，直到我们退出。

while True:
    query = input("Query: ")

    if query == "/bye":
        exit()

    response = agent.chat(query)
    print(response)
    print("-" * 10)

rag 代理如何工作？

• 当您提出与您摄取的文档相关的问题时，space_facts_tool（即矢量存储工具）会使用 query_engine 检索相关信息。
• 当您要求计算时，代理使用 add_tool 或 multiply_tool 来执行这些任务。
• 代理根据用户查询即时决定使用哪个工具并提供输出。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《使用 LlamaIndex 构建简单的 RAG 代理》文章吧，也可关注golang学习网公众号了解相关技术文章。