使用LangChain编写图检索查询，实现RAG

介绍RAG技术

检索增强生成（RAG）技术融合了大型语言模型的内部知识与外部权威数据源，以提高生成式AI模型的性能。本文介绍了如何使用Python和Langchain框架有效编写检索查询，以提升LLM的输出质量，并通过这种方式使开发者能在多种应用场景中实现高质量的AI生成内容。

1 数据集

数据集来源于EDGAR数据库的SEC文件，这些文件记录了上市公司的详细财务状况和关键信息。这些数据集包括不同行业、不同管理层持股的公司提交给SEC的财务表格。为了便于处理，将这些财务表格文本内容细分为小块，并为每块创建向量嵌入，存储在CHUNK节点中。在执行向量搜索查询时，通过对比查询向量与CHUNK节点的向量识别并提取最为相似的文本块。

2 构建检索查询

构建检索查询时，首先利用相似性搜索查询得到相关节点及其相似度得分。然后，执行检索查询，它不仅返回节点和得分，还包含文本内容和提供数据背景信息的元数据，确保结果的准确性和深度。

检索查询框架建立后，需要确定从中提取的信息。数据模型会识别出CHUNK节点，并在查询中以node AS doc的形式出现。目标是获取与CHUNK节点相连的Form、Person、Company、Manager和Industry等实体节点，并包括与每个CHUNK节点相邻的文本块。

为了提高效率，只聚焦于相似度最高的前5个块。这种策略有助于精确筛选最相关信息，减少数据处理。通过这种方法，构建既精确又高效的检索系统，为用户提供有价值的数据。查询结果还包括了相邻文本块的内容，确保结果的完整性和一致性。

最后，调整了RETURN语句以便将相邻文本块内容合并为一个变量，并使用coalesce()函数处理空值。此外，计划添加更多上下文信息，提取图中的其他相关实体。

迭代失败的4个迹象，团队中了几个？快来看看如何解决！

了解更多

想要了解更多内容？

查看原文：使用LangChain编写图检索查询，实现RAG

文章来源：

AI科技论谈

扫码关注公众号