HyDE Retriever
此示例展示了如何使用 HyDE Retriever,它实现了 本文 中描述的假设文档嵌入 (HyDE)。
在较高层面,HyDE 是一种嵌入技术,它接受查询,生成假设答案,然后嵌入生成的文档并将其用作最终示例。
为了使用 HyDE,因此我们需要提供一个基础嵌入模型,以及一个可用于生成这些文档的 LLM。默认情况下,HyDE 类带有一些默认提示(有关它们的更多详细信息,请参阅论文),但我们也可以创建我们自己的提示,它应该有一个单一的输入变量 {question}
。
使用方法
提示
有关安装集成包的一般说明,请参阅此部分。
- npm
- Yarn
- pnpm
npm install @langchain/openai @langchain/core
yarn add @langchain/openai @langchain/core
pnpm add @langchain/openai @langchain/core
import { OpenAI, OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { HydeRetriever } from "langchain/retrievers/hyde";
import { Document } from "@langchain/core/documents";
const embeddings = new OpenAIEmbeddings();
const vectorStore = new MemoryVectorStore(embeddings);
const llm = new OpenAI();
const retriever = new HydeRetriever({
vectorStore,
llm,
k: 1,
});
await vectorStore.addDocuments(
[
"My name is John.",
"My name is Bob.",
"My favourite food is pizza.",
"My favourite food is pasta.",
].map((pageContent) => new Document({ pageContent }))
);
const results = await retriever.invoke("What is my favourite food?");
console.log(results);
/*
[
Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
*/
API 参考
- OpenAI 来自
@langchain/openai
- OpenAIEmbeddings 来自
@langchain/openai
- MemoryVectorStore 来自
langchain/vectorstores/memory
- HydeRetriever 来自
langchain/retrievers/hyde
- Document 来自
@langchain/core/documents