使用 Vectara 的 Self-Query Retriever 实现高级查询功能

最新推荐文章于 2026-08-19 16:30:27 发布

原创最新推荐文章于 2026-08-19 16:30:27 发布 · 363 阅读

本内容遵循CC 4.0 BY-SA版权协议

Vectaraprovides a Trusted Generative AI platform, allowing organizations to rapidly create a ChatGPT-like experience (an AI assistant) which is grounded in the data, documents, and knowledge that they have (technically, it is Retrieval-Augmented-Generation-as-a-service).

Vectara 的无服务器 RAG-as-a-service 提供了 RAG 的所有组件，并通过易于使用的 API 提供，包括文本提取、多模态搜索和基于 LLM 的生成性摘要等，能够输出有引用的生成性总结。本文将展示如何使用 Vectara 的 SelfQueryRetriever 实现高效的自查询功能。

技术背景介绍

Vectara 提供了一个创新的平台，使得 RAG（检索增强生成）服务更易于使用。通过提供与文档和知识库紧密结合的 AI 查询能力，可以实现类似 ChatGPT 的高级体验。

核心原理解析

Vectara 通过自己的内置矢量数据库和查询服务，可以将文本数据转换为嵌入，并检索最相关的文本片段。同时，通过 Vectara 的 API，用户可以轻松实现基于 RAG 的高级查询。SelfQueryRetriever是一个工具，它能够根据查询自动应用合适的过滤条件。

代码实现演示

以下示例代码将向您展示如何使用 Vectara 的 SelfQueryRetriever 进行文档查询：

import os
import getpass

# 配置环境变量，用于访问 Vectara 服务
os.environ["VECTARA_CUSTOMER_ID"] = getpass.getpass("Vectara Customer ID:")
os.environ["VECTARA_CORPUS_ID"] = getpass.getpass("Vectara Corpus ID:")
os.environ["VECTARA_API_KEY"] = getpass.getpass("Vectara API Key:")

from langchain.chains.query_constructor.base import AttributeInfo
from langchain.retrievers.self_query.base import SelfQueryRetriever
from langchain.schema import Document
from langchain_community.vectorstores import Vectara
from langchain_openai.chat_models import ChatOpenAI

# 定义数据集文档和元数据
docs = [
    Document(
        page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose",
        metadata={"year": 1993, "rating": 7.7, "genre": "science fiction"},
    ),
    Document(
        page_content="Leo DiCaprio gets lost in a dream within a dream within a dream within a ...",
        metadata={"year": 2010, "director": "Christopher Nolan", "rating": 8.2},
    ),
    # 更多文档...
]

vectara = Vectara()
for doc in docs:
    vectara.add_texts([doc.page_content], doc_metadata=doc.metadata)

# 创建自查询检索器
metadata_field_info = [
    AttributeInfo(
        name="genre",
        description="The genre of the movie",
        type="string or list[string]",
    ),
    AttributeInfo(
        name="year",
        description="The year the movie was released",
        type="integer",
    ),
    AttributeInfo(
        name="director",
        description="The name of the movie director",
        type="string",
    ),
    AttributeInfo(
        name="rating", description="A 1-10 rating for the movie", type="float"
    ),
]
document_content_description = "Brief summary of a movie"
llm = ChatOpenAI(temperature=0, model="gpt-4o", max_tokens=4069)
retriever = SelfQueryRetriever.from_llm(
    llm, vectara, document_content_description, metadata_field_info, verbose=True
)

# 示例查询
results = retriever.invoke("I want to watch a movie rated higher than 8.5")
for doc in results:
    print(doc.page_content, doc.metadata)