逐步掌握最佳Ai Agents框架-AutoGen 九 RAG应用

news2025/1/19 3:27:01

在最近的几篇文章里，我们使用AutoGen实现了一些Demo。这篇文章，我们将使用AutoGen来完成RAG应用开发。

RAG应用

RAG全称"Retrieval-Augmented Generation",即检索增强生成，它是自然语言处理中的一项技术。这种模型结合了检索式（retrieval-based）和生成式（generative）两种组件，以生成更准确、更相关的回答。

在之前我们的基于文档的聊天机器人的例子，就是RAG的一种应用。在本系列的逐步掌握最佳Ai Agents框架-AutoGen 五与LangChain手拉手 - 掘金 (juejin.cn)，我们将文档读取、向量化和存储工作交给了LangChain, AutoGen以agent with function calls 的方式调用LangChain封装好的函数。AutoGen在最近版本里，新增了RetriveChat，可以减少对LangChain的依赖。那么，我们一起来看下AutoGen如何独立完成RAG应用开发。

RetrievalAgent

让我们来看下，官方文档对Retrieval-Augmented Generation (RAG) Applications with AutoGen | AutoGen (microsoft.github.io)的介绍。

从上图可以看出，AutoGen提供了Retrieval-augmented User Proxy 和Retrieval-augmented Assistant两个agent。

现在就让我们开干。

实战

文档

之前的RAG项目中我们用到的是Uniswap的白皮书，这个项目里，我们换成了arxiv.org/pdf/2308.00…, 这是一份rag和向量技术在医疗教育中的相关研究文章。让我们在notebook里把它下载到当前项目中。

python

复制代码!wget -o rag.pdf https://arxiv.org/pdf/2308.00479.pdf

安装库

python

复制代码%pip install pyautogen[retrievechat] langchain "chromadb<0.4.15" -q

这次安装pyautogen,多加了retrieveChat功能包的声明。我们依然安装了langchain, 在这里主要使用它的splitter功能，当然autogen也是提供了。最后我们安装了指定版本的chromadb 向量数据库，存储文档embedding。

配置autogen config_list

css复制代码import autogen # 大家可以使用gpt-4 或其它，我这里用的是3.5, 还能用。 config_list = [ { 'model': 'gpt-3.5-turbo', 'api_key': '' }]
llm_config={ "seed": 42, #为缓存做的配置 "config_list": config_list }

接下来是比较典型的文档机器人的构建步骤

配置embedding函数

我们会对question和文档都在embedding, AI助理回答问题的过程，其实就是将question的embedding和文档的embedding进行cosine 计算，得到相似度的过程。我们使用openai 做embedding。

ini复制代码# 从chromadb数据库中引入embedding_functions
from chromadb.utils import embedding_functions
# 调用OpenAIEmbeddingFunction 
openai_embedding_function = embedding_functions.OpenAIEmbeddingFunction(api_key = config_list[0]["api_key"])

设置文本拆分器

python复制代码from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(separators=["\n\n", "\n", "\r", "\t"])

实例化arg agents

python复制代码from autogen.agentchat.contrib.retrieve_assistant_agent import RetrieveAssistantAgent
from autogen.agentchat.contrib.retrieve_user_proxy_agent import RetrieveUserProxyAgent

llm_config = {
    "request_timeout": 600,
    "config_list": config_list,
    "temperature": 0
}

assistant = RetrieveAssistantAgent(
    name="assistant",
    system_message="You are a helpful assistant.",
    llm_config=llm_config,
)

rag_agent = RetrieveUserProxyAgent(
    human_input_mode="NEVER",
    retrieve_config={
        "task": "qa",
        "docs_path": "./rag.pdf",
        "collection_name": "rag_collection",
        "embedding_function": openai_embedding_function,
        "custom_text_split_function": text_splitter.split_text,
    },
)

首先我们引入了RetrieveUserProxyAgent和RetrieveAssistantAgent两个agent。从引入的路径autogen.agentchat.contrib.retrieve_assistant_agent来看，rag agent也是由autogen的chat agent派生,它这里称为"contrib"。接着，我们定义了llm_config，autogen使用的大模型配置，注意，这里的temperature为0，基于文档的Q/A应该严谨。RetrieveAssistantAgent负责执行rag工作,system_message 指定了assistant的角色。RetrieveUserProxyAgent 的retrieve_config，提起了RAG的重担，我们做了以下配置：

task:qa 指定任务为 QA问答任务类型
docs_path 指定文档路径
collection_name chromadb 向量数据库的名字
embedding_function为上面设置的openai_embedding_function
custom_text_split_function为上面设置的langchain的文本分割器

启动对话，执行QA

python复制代码assistant.reset()
rag_agent.initiate_chat(assistant, problem="What is the workflow in docGPT?", n_results=2)

Rag_agent 初始化任务，提的问题是What is the workflow in docGPT?, n_results 表示返回多少个结果，默认是20个，这里只需要2个。

结果分析

在这里看到有两个文档分块被加入到上下文当中。上下文即context，等下将会交给assistant 进行回答生成。RetrieveChatAgent(to assistant) 表示向assistant提供了如下的内容，也就是上下文。

如上图，它包括了RAG QA任务的模板(You're a retrieve aumented chatbot. You answer user's questions based on your own knowledge and the context provied by the user....)和内容（context）。模板中也说的很清楚，如果基于context无法回复用户提出的问题，那么就向proxy 发出UPDATE CONTEXT的需要。上图的后半部分，就是通过embedding查询获得的文档内容。