RAG и LangChain: Полное руководство по генерации с дополненной выборкой

Большие языковые модели (LLMs), такие как GPT-4 и Claude, необычайно мощны, но страдают от фундаментального ограничения: их знания заморожены на момент обучения. Они не могут получить доступ к вашим внутренним документам, вашей базе данных или информации в реальном времени. Генерация с дополненной выборкой (RAG) решает именно эту проблему, сочетая генеративную мощь LLM со способностью извлекать информацию из внешних источников.

Проблема: ограничения LLM

Прежде чем говорить о RAG, важно понять, зачем он нужен.

1. Статические знания: LLM знает только то, что видел во время обучения. Если вы спросите о событии, произошедшем после его отсечки, он не сможет ответить.
2. Галлюцинации: Когда LLM не знает ответа, он склонен его выдумывать, генерируя правдоподобную, но полностью ложную информацию.
3. Нет доступа к приватным данным: Обычный LLM не имеет доступа к внутренней документации вашей компании, тикетам или кодовой базе.

RAG решает все три эти проблемы, предоставляя модели релевантный контекст, извлечённый из внешних источников в момент запроса.

Что такое RAG?

Генерация с дополненной выборкой — это архитектура, которая обогащает промпт, отправляемый LLM, информацией, извлечённой из внешней базы знаний. Вместо того чтобы полагаться исключительно на параметрические знания модели, RAG сначала ищет релевантную информацию, а затем внедряет её в промпт, позволяя модели генерировать точные, обоснованные ответы.

Как RAG работает в деталях

Архитектура RAG состоит из двух основных фаз: Индексация (офлайн) и Извлечение + Генерация (онлайн).

Фаза 1: Индексация (загрузка документов)

Фаза индексации подготавливает ваши документы для семантического поиска. Она состоит из четырёх шагов.

1. Загрузка документов

Документы могут поступать из любого источника: PDF-файлы, веб-страницы, базы данных, Markdown-файлы, API. Document Loader читает эти документы и преобразует их в структурированный текст.

2. Разбиение текста (Chunking)

LLM имеют ограниченное контекстное окно, а документы могут быть очень длинными. Text Splitter делит документы на меньшие фрагменты, называемые chunks. Качество разбиения критически важно: слишком маленькие chunks теряют контекст, а слишком большие размывают релевантность.

Наиболее распространённые стратегии:

• Рекурсивное разбиение по символам: Рекурсивно разбивает текст, используя разделители типа \n\n, \n, . , соблюдая структуру документа.
• Семантическое разбиение: Использует embeddings для нахождения естественных точек разрыва в тексте.
• Перекрытие chunks: Включает перекрытие между последовательными chunks для сохранения контекста на границах.

3. Embedding

Каждый chunk преобразуется в числовой вектор (embedding) с помощью модели embedding (например, text-embedding-3-small от OpenAI). Эти векторы захватывают семантическое значение текста: предложения с похожим смыслом будут иметь близкие векторы в многомерном пространстве.

4. Vector Store

Векторы сохраняются в Vector Store (или векторной базе данных), такой как ChromaDB, Pinecone, Weaviate или FAISS. Эта база данных оптимизирована для поиска по сходству: по заданному запросу она находит наиболее похожие векторы (и, следовательно, наиболее релевантные текстовые chunks).

Фаза 2: Извлечение + Генерация

Когда пользователь задаёт вопрос:

1. Вопрос преобразуется в embedding с использованием той же модели embedding.
2. Vector Store находит наиболее похожие chunks через поиск по сходству (обычно косинусное сходство или евклидово расстояние).
3. Извлечённые chunks вставляются в промпт в качестве контекста.
4. LLM генерирует ответ на основе предоставленного контекста.

Построение RAG-пайплайна с LangChain

LangChain — самый популярный фреймворк на Python (и JavaScript) для создания приложений на основе LLM. Он предоставляет высокоуровневые абстракции для каждого компонента RAG-пайплайна.

Установка

pip install langchain langchain-openai langchain-community chromadb

Шаг 1: Загрузка документов

LangChain предоставляет десятки Document Loaders для различных источников данных.

from langchain_community.document_loaders import (
    PyPDFLoader,
    WebBaseLoader,
    DirectoryLoader,
    TextLoader,
)

# Load a PDF
pdf_loader = PyPDFLoader("docs/manual.pdf")
pdf_docs = pdf_loader.load()

# Load a web page
web_loader = WebBaseLoader("https://docs.example.com/guide")
web_docs = web_loader.load()

# Load all .md files from a directory
dir_loader = DirectoryLoader("./knowledge_base", glob="**/*.md", loader_cls=TextLoader)
md_docs = dir_loader.load()

all_docs = pdf_docs + web_docs + md_docs

Шаг 2: Разбиение документов на chunks

from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
    separators=["\n\n", "\n", ". ", " ", ""],
)

chunks = text_splitter.split_documents(all_docs)
print(f"Original documents: {len(all_docs)}, Chunks: {len(chunks)}")

Параметр chunk_overlap критически важен: он создаёт перекрытие между последовательными chunks, чтобы контекст не терялся на границах.

Шаг 3: Создание Embeddings и Vector Store

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

embedding_model = OpenAIEmbeddings(model="text-embedding-3-small")

vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=embedding_model,
    persist_directory="./chroma_db",
)

Шаг 4: Создание Retriever

Retriever — это компонент, который по заданному запросу извлекает наиболее релевантные chunks из vector store.

retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 4},
)

relevant_docs = retriever.invoke("How does authentication work?")
for doc in relevant_docs:
    print(doc.page_content[:200])
    print("---")

Шаг 5: Построение RAG-цепочки

Теперь соединим всё вместе с LLM и шаблоном промпта.

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = ChatPromptTemplate.from_template("""
Answer the question based only on the provided context.
If the context does not contain enough information, say you don't know.

Context:
{context}

Question: {question}

Answer:
""")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

response = rag_chain.invoke("How does authentication work in the system?")
print(response)

Продвинутые техники RAG

Базовый пайплайн работает хорошо, но существует несколько техник для значительного улучшения качества ответов.

Мульти-запросное извлечение

Иногда запрос пользователя неоднозначен или не совпадает с языком, используемым в документах. Multi-Query Retriever автоматически генерирует варианты исходного вопроса для захвата множества перспектив.

from langchain.retrievers import MultiQueryRetriever

multi_retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(),
    llm=llm,
)

docs = multi_retriever.invoke("What are the security best practices?")

Контекстуальное сжатие

Не весь контент в chunk релевантен запросу. Contextual Compression Retriever использует LLM для извлечения только релевантных частей из каждого полученного chunk.

from langchain.retrievers import ContextualCompressionRetriever
from langchain.retrievers.document_compressors import LLMChainExtractor

compressor = LLMChainExtractor.from_llm(llm)
compression_retriever = ContextualCompressionRetriever(
    base_compressor=compressor,
    base_retriever=retriever,
)

Гибридный поиск

Чисто семантический поиск не всегда оптимален. Гибридный поиск сочетает семантический поиск (embeddings) с лексическим поиском (BM25, сопоставление ключевых слов) для достижения лучших результатов.

from langchain.retrievers import EnsembleRetriever
from langchain_community.retrievers import BM25Retriever

bm25_retriever = BM25Retriever.from_documents(chunks)
bm25_retriever.k = 4

semantic_retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

hybrid_retriever = EnsembleRetriever(
    retrievers=[bm25_retriever, semantic_retriever],
    weights=[0.4, 0.6],
)

Разговорный RAG (с памятью)

Чтобы построить RAG-чатбот, который помнит контекст разговора, необходимо добавить память, которая переформулирует вопросы пользователя с учётом истории разговора.

from langchain.chains import create_history_aware_retriever
from langchain_core.prompts import MessagesPlaceholder

contextualize_prompt = ChatPromptTemplate.from_messages([
    ("system", "Given the chat history and the user's latest question, "
               "reformulate the question so it is understandable without the history."),
    MessagesPlaceholder("chat_history"),
    ("human", "{input}"),
])

history_aware_retriever = create_history_aware_retriever(
    llm, retriever, contextualize_prompt
)

Лучшие практики

1. Выбирайте правильный размер chunk: Экспериментируйте с различными размерами (500-1500 токенов). Меньшие chunks для точных ответов, большие для более широкого контекста.
2. Используйте метаданные документов: Добавляйте источник, дату и категорию в качестве метаданных к chunks. Это позволяет фильтровать результаты при извлечении.
3. Оценивайте качество: Используйте фреймворки вроде RAGAS для измерения таких метрик, как faithfulness, relevancy и context precision.
4. Управляйте обновлениями документов: Реализуйте пайплайн повторной загрузки для поддержания синхронизации vector store с вашими источниками данных.
5. Добавьте re-ranker: После первоначального извлечения используйте модель re-ranking (например, Cohere Rerank) для переупорядочивания результатов на основе реальной релевантности.

Заключение

RAG стал стандартной архитектурой для создания AI-приложений, которым нужен доступ к конкретным, актуальным знаниям. LangChain значительно упрощает реализацию, предоставляя абстракции для каждого компонента пайплайна.

Следующие шаги:

• Экспериментируйте локально: Начните с ChromaDB и нескольких документов, чтобы ознакомиться с пайплайном.
• Изучите LangSmith: Используйте LangSmith для мониторинга и отладки ваших цепочек в продакшене.
• Попробуйте разные модели embedding: Сравните модели text-embedding-3-small, text-embedding-3-large и open-source модели от Sentence Transformers.
• Ознакомьтесь с документацией: Документация LangChain — отличный и постоянно обновляемый ресурс.