LLM-gestützte Anwendungen mit LangChain erstellen

Auf dieser Seite wird erläutert, wie Sie LLM-basierte Anwendungen mit LangChain erstellen. Die Übersichten auf dieser Seite verweisen zu den Verfahrensanleitungen in GitHub.

Was ist LangChain?

LangChain ist ein LLM-Orchestrierungs-Framework, mit dem Entwickler generative KI-Anwendungen oder RAG-Workflows (Retrieval Augmented Generation) erstellen können. Es bietet die Struktur, die Tools und die Komponenten, um komplexe LLM-Workflows zu optimieren.

Weitere Informationen zu LangChain finden Sie auf der Seite Google LangChain. Weitere Informationen zum LangChain-Framework finden Sie in der Produktdokumentation LangChain.

LangChain-Komponenten für Spanner

Spanner bietet die folgenden LangChain-Schnittstellen:

Informationen zur Verwendung dieser Komponenten in einer Anwendung mit der LangChain Kurzanleitung für Cloud Spanner

Vektorspeicher für Spanner

Mit dem Vektorspeicher werden Dokumente und Metadaten aus einer Vektordatenbank abgerufen und gespeichert. Der Vektorspeicher bietet einer Anwendung die Möglichkeit, semantische Suchen durchzuführen, die die Bedeutung einer Nutzerabfrage interpretieren. Diese Art der Suche wird als Vektorsuche bezeichnet und kann Themen finden, die konzeptionell der Abfrage entsprechen. Zum Zeitpunkt der Abfrage ruft der Vektorspeicher die Einbettungsvektoren ab, die der Einbettung der Suchanfrage am ähnlichsten sind. In LangChain übernimmt ein Vektorspeicher das Speichern eingebetteter Daten und das Ausführen der Vektorsuche für Sie.

Verwenden Sie die Klasse SpannerVectorStore, um mit dem Vektorspeicher in Spanner zu arbeiten.

Weitere Informationen finden Sie in der Produktdokumentation zu LangChain Vector Stores.

Anleitung zum Verfahren für den Vektorspeicher

In der Spanner-Anleitung für Vektorspeicher erfahren Sie, wie Sie Folgendes tun:

  • Integrationspaket und LangChain installieren
  • Tabelle für den Vektorspeicher initialisieren
  • Einbettungsdienst mit VertexAIEmbeddings einrichten
  • SpannerVectorStore initialisieren
  • Dokumente hinzufügen und löschen
  • Nach ähnlichen Dokumenten suchen
  • Benutzerdefinierten Vektorspeicher erstellen, um eine Verbindung zu einem vorhandenen Spanner herzustellen Datenbank mit einer Tabelle mit Vektoreinbettungen

Dokumentladeprogramm für Spanner

Der Dokument-Loader speichert, lädt und löscht LangChain-Document-Objekte. Beispielsweise können Sie Daten zur Verarbeitung in Einbettungen laden und entweder im Vektorspeicher speichern oder sie als Tool verwenden, um spezifischen Kontext für Ketten bereitzustellen.

Verwenden Sie die Klasse SpannerLoader, um Dokumente aus Spanner zu laden. Verwenden Sie die Klasse SpannerDocumentSaver, um Dokumente zu speichern und zu löschen.

Weitere Informationen finden Sie unter LangChain-Dokument-Loader.

Anleitung zum Laden von Dokumenten

Das Spanner-Handbuch für loader zeigt Ihnen, wie Sie Folgendes tun:

  • Integrationspaket und LangChain installieren
  • Dokumente aus einer Tabelle laden
  • Filter zum Loader hinzufügen
  • Verbindung und Authentifizierung anpassen
  • Dokumenterstellung durch Angeben von Kundeninhalten und Metadaten anpassen
  • SpannerDocumentSaver zum Speichern und Löschen von Dokumenten verwenden und anpassen

Chat-Nachrichtenverlauf für Spanner

In Frage-Antwort-Anwendungen müssen die im Gespräch, um der Anwendung Kontext zur Beantwortung weiterer Fragen zu geben von den Nutzenden. Die LangChain-Klasse ChatMessageHistory ermöglicht der Anwendung, Nachrichten in einer Datenbank zu speichern und bei Bedarf zur Formulierung weiterer Antworten abzurufen. Eine Nachricht kann eine Frage, eine Antwort, eine Aussage, eine Begrüßung oder andere Texte sein, die der Nutzer oder die Anwendung während der Unterhaltung gibt. ChatMessageHistory speichert jede Nachricht und verkettet Nachrichten für jede Unterhaltung.

Spanner erweitert diese Klasse mit SpannerChatMessageHistory.

Anleitung zum Verfahren für den Chat-Nachrichtenverlauf

Spanner-Leitfaden für Chatnachrichten können Sie Folgendes tun:

  • LangChain installieren und bei Google Cloud authentifizieren
  • Tabelle initialisieren
  • Initialisieren Sie die SpannerChatMessageHistory-Klasse, um Nachrichten hinzuzufügen und zu löschen.
  • Verwenden Sie einen Client, um die Verbindung und Authentifizierung anzupassen
  • SpannerChatMessageHistory-Sitzung löschen