原文地址：Improving RAG: Self Querying Retrieval

2024 年 2 月 11 日

让我们来解决构建 RAG 系统时的一个大问题。

我们不能依赖语义搜索来完成每个检索任务。只有当我们追求单词的含义和意图时，语义搜索才有意义。

But in case，我们正在对数据库中的内容进行搜索，就像我们可能只想执行查找任务一样，使用语义搜索是不合逻辑的。它甚至可能给出不准确的结果，并使用不必要的计算能力。

在处理 Excel 文件或财务数据时，通常会出现此问题。对于这些情况，LangChain 提供了一个名为“自查询检索”的实用程序。

我们所做的很简单。我们在检索和输入之间插入一个“步骤”。

• 用户输入查询。
• 我们使用语言模型对查询进行重新格式化，以获取查询的语义要素。
• 我们还将转换查询，以便对元数据进行搜索。

重申一下，这个想法非常简单。如果我们要查找一部电影，并想查看年份，我们就会进入矢量存储。我们只需查找年份，然后将结果筛选回该年份。

基础知识已经清楚了，现在让我们来了解一下 LangChain 如何帮助我们实现自查询。

我们使用 "自查询"(Self Query)检索器。自查询"检索器允许我们查询矢量数据库。让我们来看看这种自查询检索器是如何实现的。

自查询基类的唯一类方法是 from_llm。创建自查询类需要四个必需参数：llm、vectorstore、document_contents 和 metadata_field_info。

• llm 用于传递语言模型。
• vectorstore 用于传递一个向量存储空间
• document_contents 参数指文档内容的简短描述。
• metadata_field_info 是 AttributeInfo 对象的序列，是包含矢量数据库中数据信息的字典。我们定义了一个 AttributeInfo 对象列表，其中包含每个属性及其数据类型的信息，以便语言模型知道它正在处理什么。

我不打算讨论可选参数。

现在，让我们看看如何处理参数。根据传入的参数，我们使用一系列 if 语句来决定要做什么。

首先，我们会检查是否有已定义的结构化查询翻译器。如果没有，我们就使用已定义向量存储的内置翻译器。

接下来，我们检查链关键字参数。我们可以将它们设置为传入的值，也可以保持为空字典。在接下来的两个 if 语句中，我们将继续检查这些参数。我们查找的两个键是 allowed comparators 和 operators。这些键决定了我们如何编写过滤表达式。

定义好一切后，我们就可以创建查询构造函数了。我们需要传递 LLM、文档内容描述、元数据字段、是否要启用限制以及要传递给链的关键字参数。定义完所有这些元素后，函数将返回一个 Runnable 对象，允许我们执行指定的脚本。

query_constructor = load_query_constructor_runnable(
               llm,
               document_contents,
               metadata_field_info,
               enable_limit=enable_limit,
               **chain_kwargs,
           )

在这个类方法的最后，我们需要返回 自查询检索器。该方法返回 self query 类的一个实例。我们传入刚刚定义的查询构造函数，以及传入的向量存储、是否使用原始查询、翻译器和关键字参数列表。

return cls(
               query_constructor=query_constructor,
               vectorstore=vectorstore,
               use_original_query=use_original_query,
               structured_query_translator=structured_query_translator,
               **kwargs,
           )

通过这种方法，我们只需传递四个必填字段即可创建 RAG 应用程序。LLM、矢量数据库、文档描述和元数据信息。