Membangun aplikasi yang didukung LLM menggunakan LangChain

Halaman ini memperkenalkan cara membangun aplikasi yang didukung LLM menggunakan LangChain. Ringkasan di halaman ini menautkan ke panduan prosedur di GitHub.

Apa itu LangChain?

LangChain adalah framework orkestrasi LLM yang membantu developer membangun aplikasi AI generatif atau alur kerja retrieval-augmented technology (RAG). Layanan ini menyediakan struktur, alat, dan komponen untuk menyederhanakan alur kerja LLM yang kompleks.

Untuk mengetahui informasi selengkapnya tentang LangChain, lihat halaman Google LangChain. Untuk mengetahui informasi selengkapnya tentang framework LangChain, lihat dokumentasi produk LangChain.

Komponen LangChain untuk Memorystore for Redis

Memorystore for Redis menawarkan antarmuka LangChain berikut:

Pelajari cara menggunakan LangChain dengan Panduan Memulai LangChain untuk Memorystore for Redis.

Vektor store untuk Memorystore for Redis

Penyimpanan vektor mengambil dan menyimpan dokumen serta metadata dari database vektor. Penyimpanan vektor memungkinkan aplikasi melakukan penelusuran semantik yang menafsirkan arti kueri pengguna. Jenis penelusuran ini disebut penelusuran vektor, dan dapat menemukan topik yang cocok dengan kueri secara konseptual. Pada waktu kueri, penyimpanan vektor mengambil vektor embedding yang paling mirip dengan embedding dari permintaan penelusuran. Di LangChain, penyimpanan vektor menangani penyimpanan data tersemat dan melakukan penelusuran vektor untuk Anda.

Untuk menangani penyimpanan vektor di Memorystore for Redis, gunakan class RedisVectorStore.

Untuk informasi selengkapnya, lihat dokumentasi produk menyimpan LangChain Vector.

Panduan prosedur penyimpanan vektor

Panduan Memorystore untuk Redis untuk penyimpanan vektor menunjukkan cara melakukan hal berikut:

  • Menginstal paket integrasi dan LangChain
  • Menginisialisasi indeks vektor
  • Menyiapkan dokumen untuk penyimpanan vektor
  • Menambahkan dokumen ke vektor store
  • Melakukan penelusuran kemiripan (KNN)
  • Melakukan penelusuran kemiripan berdasarkan rentang
  • Melakukan Penelusuran Relevansi Marginal Maksimal (MMR)
  • Menggunakan penyimpanan vektor sebagai Retriever
  • Menghapus dokumen dari vector store
  • Menghapus Indeks Vektor

Loader dokumen untuk Memorystore for Redis

Loader dokumen menyimpan, memuat, dan menghapus objek Document LangChain. Misalnya, Anda dapat memuat data untuk diproses menjadi embedding dan menyimpannya di penyimpanan vektor atau menggunakannya sebagai alat untuk memberikan konteks tertentu pada rantai.

Untuk memuat dokumen dari loader dokumen di Memorystore for Redis, gunakan class MemorystoreDocumentLoader. Gunakan class MemorystoreDocumentSaver untuk menyimpan dan menghapus dokumen.

Untuk mengetahui informasi selengkapnya, lihat topik loader Dokumen LangChain.

Panduan prosedur loader dokumen

Panduan Memorystore untuk Redis untuk loader dokumen menunjukkan cara melakukan hal berikut:

  • Menginstal paket integrasi dan LangChain
  • Memuat dokumen dari tabel
  • Menambahkan filter ke loader
  • Menyesuaikan koneksi dan autentikasi
  • Menyesuaikan pembuatan Dokumen dengan menentukan metadata dan konten pelanggan
  • Cara menggunakan dan menyesuaikan MemorystoreDocumentSaver untuk menyimpan dan menghapus dokumen

Histori pesan chat untuk Memorystore for Redis

Penerapan pertanyaan dan jawaban memerlukan histori hal-hal yang diucapkan dalam percakapan guna memberikan konteks kepada aplikasi untuk menjawab pertanyaan lebih lanjut dari pengguna. Class ChatMessageHistory LangChain memungkinkan aplikasi menyimpan pesan ke database dan mengambilnya saat diperlukan untuk merumuskan jawaban lebih lanjut. Pesan dapat berupa pertanyaan, jawaban, pernyataan, salam, atau teks lainnya yang diberikan oleh pengguna atau aplikasi selama percakapan. ChatMessageHistory menyimpan setiap pesan dan menggabungkan pesan untuk setiap percakapan.

Memorystore for Redis memperluas class ini dengan MemorystoreChatMessageHistory.

Panduan prosedur histori pesan chat

Panduan Memorystore untuk Redis untuk histori pesan chat menunjukkan cara:

  • Menginstal LangChain dan melakukan autentikasi ke Google Cloud
  • Menginisialisasi class MemorystoreChatMessageHistory untuk menambahkan dan menghapus pesan