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

npm install @langchain/openai @langchain/core

Yarn

yarn add @langchain/openai @langchain/core

pnpm

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

相关

• 检索器 概念指南
• 检索器 操作指南