利用Conversation RAG实现智能对话问答系统

技术背景介绍

在许多问答应用中，用户往往希望通过一番对话来获取信息，这要求应用程序具备一定的“记忆能力”，能够记住过去的提问和回答，并在回答当前问题时加以利用。这种能力涉及到对话历史管理、检索增强生成（RAG）等技术。

在本文中，我们将探讨如何将历史对话信息整合到问答逻辑中。我们将介绍两种方法：

• Chains：在每次查询时执行检索步骤。
• Agents：赋予大型语言模型（LLM）在执行检索步骤时的自主决策权。

核心原理解析

Chains与Agents的差别

Chains是在每次请求中严格遵循预设的检索路径。而Agents则利用LLM的推理能力，在执行过程中动态调整，可能会跳过某些检索步骤，或多次检索来更好地回答问题。

构建存储与检索系统

对于知识的外源检索，我们将使用Chroma向量存储来缓存博客内容，并通过OpenAI嵌入模型对其进行索引，以便于查询。

代码实现演示

以下是一个完整的代码实现在Python中：

import bs4
from langchain import hub
from langchain.chains import create_retrieval_chain, create_history_aware_retriever
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_chroma import Chroma
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter