quickstart rag python

使用MongoDB和LLM框架的语义搜索

文章链接

介绍

这个Python项目使用MongoDB和两个不同的LLM框架展示了语义搜索： Langchain和Llamaindex 。目的是从MongoDB加载文档，生成文本数据的嵌入式文档，并使用Langchain和LlamainDex Frameworks进行语义搜索。

环境变量

要运行此项目，您需要在.env文件中设置以下环境变量：

 OPENAI_API_KEY = YOUR_OPENAI_API_KEY
MONGODB_URI = YOUR_MONGODB_CONNECTION_URI
MONGODB_COLL = YOUR_MONGODB_COLLECTION
MONGODB_VECTOR_INDEX = YOUR_MONGODB_VECTOR_INDEX
MONGODB_VECTOR_COLL_LANGCHAIN = YOUR_MONGODB_VECTOR_COLLECTION_LANGCHAIN
MONGODB_VECTOR_COLL_LLAMAINDEX = YOUR_MONGODB_VECTOR_COLLECTION_LLAMAINDEX

确保用实际的API键和连接详细信息替换占位符值。

设置

安装依赖项：

 pip install -r requirements.txt

项目概述

1。加载文档

该项目从指定的MongoDB Collection（ MONGODB_COLL ）加载文档。确保您的MongoDB集合包含要执行语义搜索的文本数据。

2。生成嵌入

该应用程序使用Langchain和Llamaindex框架生成了加载文本数据的嵌入式。嵌入式存储在单独的MongoDB集合中（ MONGODB_VECTOR_COLL_LANGCHAIN和MONGODB_VECTOR_COLL_LLAMAINDEX ）。

3。语义搜索

语义搜索是使用Langchain和Llamaindex框架进行的。该过程涉及根据提示的语义相似性查询嵌入式集合并检索相关文档。

附加信息

使用外部语言模型（例如OpenAI的GPT）嵌入生成所需的OPENAI_API_KEY是必需的。确保适当地配置MongoDB连接详细信息和收集。检查官方文档中是否有Langchain和LlamainDex，以获取任何其他配置或使用详细信息。

参考

• ATLAS矢量搜索：链接到MongoDB Atlas Vector搜索
• Langchain：链接到Langchain文档
• Llamaindex：链接到LlamainDex文档