本文将指导您集成 LangChain 和 Google 的 Gemini LLM 模型,构建一个基于 PDF 文件的问答应用。
译自 How to Build a Q&A LLM Application with LangChain and Gemini,作者 Janakiram MSV。
在本教程中,我们将探索 LangChain 编程框架(用于在应用程序中使用大型语言模型(LLM))与 Google 的 Gemini LLM 的集成,以构建基于 PDF 文件的问答应用程序。
在继续本教程之前,请确保您已从 Google AI Studio 获得 API 密钥。
创建 Python 虚拟环境并从 requirements.txt 文件中安装所需的模块。
python -m venv venv
source venv/bin/activate
使用以下内容创建 requirements.txt 文件:
pypdf2
chromadb
google.generativeai
langchain-google-genai
langchain
langchain_community
jupyter
pip install -r requirements.txt
设置环境变量,以便代码可以隐式访问 API 密钥。
export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
启动 Jupyter Notebook,开始编写代码。
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain.prompts import PromptTemplate
from langchain_community.document_loaders import PyPDFLoader langchain_text_splitters import CharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain
from langchain.vectorstores import Chroma
import os
此步骤加载 LLM 与负责将文本转换为低维向量的 Embeddings 模型。
1 llm = ChatGoogleGenerativeAI(model="gemini-pro")
2 embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
您可以使用任何您选择的 PDF 文件。但在本教程中,我们将加载一家虚构公司的员工手册。
下面的代码加载 PDF 文件,并将其拆分为长度为 250 个字符的块,每个块之间重叠 50 个字符。
1 loader = PyPDFLoader("handbook.pdf")
2
3 text_splitter = CharacterTextSplitter(
4 separator=".",
5 chunk_size=250,
6 chunk_overlap=50,
7 length_function=len,
8 is_separator_regex=False,
9 )
10
11 pages = loader.load_and_split(text_splitter)
在下一步中,我们将把每个文本块转换为嵌入向量,并将它们存储在 Chroma 向量数据库中,以便进行检索。参数 search_kwargs={"k": 5} 定义了从搜索中检索的前 5 个匹配项。
1 vectordb=Chroma.from_documents(pages,embeddings)
2 retriever = vectordb.as_retriever(search_kwargs={"k": 5})
在 LangChain 中,每个组件都被组装在一起形成一个逻辑链。在这种情况下,我们有 prompt、LLM 和 retriever 作为关键组件。让我们从它们创建一个链。
1 template = """
2 You are a helpful AI assistant.
3 Answer based on the context provided.
4 context: {context}
5 input: {input}
6 answer:
7 """
8 prompt = PromptTemplate.from_template(template)
9 combine_docs_chain = create_stuff_documents_chain(llm, prompt)
10 retrieval_chain = create_retrieval_chain(retriever, combine_docs_chain)
现在是时候测试一下这个拼图的各个部分是否连接正确了。我们将调用链并检查响应。
1 response=retrieval_chain.invoke({"input":"How do I apply for personal leave?"})
2 print(response)
如我们所见,答案键中有来自链的预期响应。让我们将其打印出来。
1 response["answer"]
以下是完整的代码:
### Install required modules and set the envvar for Gemini API Key
#pip install pypdf2
#pip install chromadb
#pip install google.generativeai
#pip install langchain-google-genai
#pip install langchain
#pip install langchain_community
#pip install jupyter
#export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
#Import Python modules
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain.prompts import PromptTemplate
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import CharacterTextSplitter
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain
from langchain.vectorstores import Chroma
#Load the models
llm = ChatGoogleGenerativeAI(model="gemini-pro")
embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
#Load the PDF and create chunks
loader = PyPDFLoader("handbook.pdf")
text_splitter = CharacterTextSplitter(
separator=".",
chunk_size=250,
chunk_overlap=50,
length_function=len,
is_separator_regex=False,
)
pages = loader.load_and_split(text_splitter)
#Turn the chunks into embeddings and store them in Chroma
vectordb=Chroma.from_documents(pages,embeddings)
#Configure Chroma as a retriever with top_k=5
retriever = vectordb.as_retriever(search_kwargs={"k": 5})
#Create the retrieval chain
template = """
You are a helpful AI assistant.
Answer based on the context provided.
context: {context}
input: {input}
answer:
"""
prompt = PromptTemplate.from_template(template)
combine_docs_chain = create_stuff_documents_chain(llm, prompt)
retrieval_chain = create_retrieval_chain(retriever, combine_docs_chain)
#Invoke the retrieval chain
response=retrieval_chain.invoke({"input":"How do I apply for personal leave?"})
#Print the answer to the question
print(response["answer"])