# 聊天数据应用

在30分钟内使用LangChain和MyScale构建一个能够处理数百万份文档的ChatPDF应用

与GPT聊天关于一篇学术论文相对来说比较简单，只需要将该论文作为语言模型的上下文提供即可。与数百万份研究论文聊天也很简单...只要你选择了正确的向量数据库。

大型语言模型（LLM）是强大的自然语言处理工具。LLM的最大优势之一是，你可以使用它们构建工具，让你能够根据文档的主题而不是其他无关的问题与文档进行交互（或聊天），比如基于PDF格式的研究或学术论文副本。

已经存在许多聊天与文档应用的实现，比如ChatPaper (opens new window)、OpenChatPaper (opens new window)和DocsMind (opens new window)。但是，许多这些实现似乎过于复杂，只提供了基本的关键字搜索过滤器，过滤基于年份和主题等基本元数据的搜索结果。

因此，开发一个类似ChatPDF的应用来与数百万份学术/研究论文进行交互是有意义的。你可以使用自然语言与数据进行交流，结合语义和结构属性，例如：“什么是神经网络？请使用Geoffrey Hinton在2018年之后发表的文章。”

本文的主要目的是帮助你构建自己的ChatPDF应用，使用LangChain和MyScale与数百万份学术/研究论文进行交互。

创建这个应用大约需要30分钟的时间。

但在开始之前，让我们先看一下整个过程的下面的流程图：

即使我们描述了如何开发这个基于LLM的聊天应用，我们在GitHub (opens new window)上有一个示例应用，包括对一个只读向量数据库 (opens new window)的访问，进一步简化了应用的创建过程。

# 准备数据

如图所示，第一步是准备数据。

我们建议你使用我们的开放数据库来创建这个应用。凭据在示例配置文件中：.streamlit/secrets.toml。或者你可以按照下面的说明创建自己的数据库。创建数据库大约需要20分钟的时间。

我们从Macrocosm网站 (opens new window)通过Alexandria Index获取了我们的数据：一个可用的摘要列表和arXiv ID。使用这些数据并查询arXiv Open API，我们可以显著提升查询体验，获取更丰富的元数据，包括年份、主题、发布日期、类别和作者。

我们已经在我们的公共数据库中准备好了数据。你可以使用下面的凭据直接使用arxiv数据集进行操作：

MYSCALE_HOST = "msc-950b9f1f.us-east-1.aws.myscale.com"
MYSCALE_PORT = 443
MYSCALE_USER = "chatdata"
MYSCALE_PASSWORD = "myscale_rocks"
OPENAI_API_KEY = "<your-openai-key>"

或者你可以按照这里 (opens new window)的说明创建自己的数据集，使用SQL或LangChain。

太好了。让我们继续下一步。

# LangChain

第二个选项是使用LangChain将数据插入到表中，以更好地控制数据插入过程。

将以下代码片段添加到你的应用代码中：

# ! unzstd data-*.jsonl.zstd
import json
from langchain.docstore.document import Document
def str2doc(_str):
    j = json.loads(_str)
    return Document(page_content=j['abstract'], metadata=j['metadata'])
with open('func_call_data.jsonl') as f:
    docs = [str2doc(l) for l in f.readlines()]

# 设计查询流程

大多数基于LLM的应用程序需要一个自动化的查询流程，用于查询并返回查询的答案。

基于LLM的聊天应用通常需要在查询模型（LLM）之前检索参考文献。

让我们逐步了解应用程序如何回答用户的查询，如下图所示：

询问用户的输入/问题 这个输入应该尽可能简洁。在大多数情况下，它应该是最多几句话。
从用户的输入构建数据库查询 对于向量数据库来说，查询很简单。你只需要从向量数据库中提取相关的嵌入即可。然而，为了提高准确性，建议对查询进行过滤。

例如，假设用户只想要最新的论文，而不是返回的嵌入中的所有论文，但返回的嵌入包含了所有的研究论文。为了解决这个问题，你可以在查询中添加元数据过滤器，以过滤出正确的信息。
解析从VectorStore检索到的文档 从向量存储返回的数据不是LLM能够理解的原生格式。你必须解析它并将其插入到你的提示模板中。有时你需要向这些模板添加更多的元数据，比如创建日期、作者或文档类别。这些元数据将帮助LLM提高其答案的质量。
向LLM提问 只要你熟悉LLM的API并且正确设计了提示，这个过程就很简单。
获取答案 对于简单的应用程序来说，返回答案很简单。但是，如果问题很复杂，需要额外的努力来为用户提供更多的信息；例如，添加LLM的源数据。此外，通过向提示中添加参考编号，可以帮助你找到源数据，并通过避免重复内容（如文档标题）来减小提示的大小。

在实践中，LangChain有一个很好的工作框架。我们使用以下函数来构建这个流程：

RetrievalQAWithSourcesChain
SelfQueryRetriever

# `SelfQueryRetriever`

这个函数定义了向量存储和你的应用程序之间的交互。让我们深入了解一下自查询检索器的工作原理，如下图所示：

LangChain的SelfQueryRetriever为每个VectorStore定义了一个通用的过滤器，包括几个comparators用于比较值和operators，将这些条件组合成一个过滤器。LLM将根据这些comparators和operators生成一个过滤规则。所有的VectorStore提供者都将实现一个FilterTranslator，将给定的通用过滤器转换为调用VectorStore的正确参数。

LangChain的通用解决方案为新的运算符、比较器和向量存储提供了一个完整的包。但是，你只能使用其中预定义的元素。

在提示过滤器的上下文中，MyScale包含了更强大和灵活的过滤器。我们添加了更多的数据类型，如列表和时间戳，以及更多的函数，如字符串模式匹配和列表的CONTAIN比较器，为数据存储和查询设计提供了更多的选项。

我们为LangChain的自查询检索器做出了贡献，使其更加强大，从而提供了更多的自由度给LLM在设计查询时。

查看MyScale如何使用元数据过滤器 (opens new window)。

以下是使用LangChain编写的代码：

from langchain.vectorstores import MyScale
from langchain.embeddings import HuggingFaceInstructEmbeddings
# 假设你的数据已经准备好在MyScale Cloud上
embeddings = HuggingFaceInstructEmbeddings()
doc_search = MyScale(embeddings)
# 定义元数据字段及其类型
# 描述很重要。这是LLM知道如何使用该元数据的地方。
metadata_field_info=[
    AttributeInfo(
        name="pubdate",
        description="The year the paper is published",
        type="timestamp",
    ),
    AttributeInfo(
        name="authors",
        description="List of author names",
        type="list[string]",
    ),
    AttributeInfo(
        name="title",
        description="Title of the paper",
        type="string",
    ),
    AttributeInfo(
        name="categories",
        description="arxiv categories to this paper",
        type="list[string]"
    ),
    AttributeInfo(
        name="length(categories)",
        description="length of arxiv categories to this paper",
        type="int"
    ),
]
# 现在使用LLM、向量存储和你的元数据信息构建一个检索器
retriever = SelfQueryRetriever.from_llm(
    OpenAI(openai_api_key=st.secrets['OPENAI_API_KEY'], temperature=0),
    doc_search, "Scientific papers indexes with abstracts", metadata_field_info,
    use_original_query=True)

# `RetrievalQAWithSourcesChain`

这个函数构建包含文档的提示。

数据应该被格式化为LLM可读的字符串，比如包含文档信息的JSON或Markdown。

如上所示，一旦从向量存储中检索到文档数据，它必须被格式化为LLM可读的字符串，比如JSON或Markdown。

LangChain使用以下链来构建这些LLM可读的字符串：

MapReduceDocumentsChain
StuffDocumentsChain

MapReduceDocumentChain收集向量存储返回的所有文档，并将它们标准化为一个标准格式。它将文档映射到一个提示模板，并将它们连接在一起。StuffDocumentChain在这些格式化的文档上工作，将它们作为上下文插入到任务描述的前缀和示例的后缀中。

将以下代码片段添加到你的应用程序代码中，这样你的应用程序将把向量存储的数据格式化为LLM可读的文档。

chain = RetrievalQAWithSourcesChain.from_llm(
        llm=OpenAI(openai_api_key=st.secrets['OPENAI_API_KEY'], temperature=0.
        retriever=retriever,
        return_source_documents=True,)

# 运行链

有了这些组件，我们现在可以使用可扩展的向量存储搜索和回答用户的问题。

自己试试吧！

ret = st.session_state.chain(st.session_state.query, callbacks=[callback])
# 你可以在字段`answer`中找到LLM的答案
st.markdown(f"### Answer from LLM\n{ret['answer']}\n### References")
# 并且在`sources`和`source_documents`中找到源文档
docs = ret['source_documents']

响应不够？

# 添加回调函数

链的工作很好，但你可能会有一个抱怨：它需要更快！

是的，链会很慢，因为它会构建一个经过过滤的向量查询（一个LLM调用），从向量存储中检索数据并向LLM提问（另一个LLM调用）。因此，总执行时间大约为10~20秒。

别担心，LangChain可以帮助你。它包含了Callbacks (opens new window)，你可以使用它们来提高应用程序的响应性。在我们的示例中，我们添加了几个回调函数来更新进度条：

class ChatArXivAskCallBackHandler(StreamlitCallbackHandler):
    def __init__(self) -> None:
        # 当初始化这个回调时，你将有一个进度条
        self.progress_bar = st.progress(value=0.0, text='Searching DB...')
        self.status_bar = st.empty()
        self.prog_value = 0.0
        # 你可以使用链的名称来控制进度
        self.prog_map = {
            'langchain.chains.qa_with_sources.retrieval.RetrievalQAWithSourcesChain': 0.2,
            'langchain.chains.combine_documents.map_reduce.MapReduceDocumentsChain': 0.4,
            'langchain.chains.combine_documents.stuff.StuffDocumentsChain': 0.8
        }
    def on_llm_start(self, serialized, prompts, **kwargs) -> None:
        pass
    def on_text(self, text: str, **kwargs) -> None:
        pass
    def on_chain_start(self, serialized, inputs, **kwargs) -> None:
        # 名称是一个列表，所以你可以将它们连接成字符串。
        cid = '.'.join(serialized['id'])
        if cid != 'langchain.chains.llm.LLMChain':
            self.progress_bar.progress(value=self.prog_map[cid], text=f'Running Chain `{cid}`...')
            self.prog_value = self.prog_map[cid]
        else:
            self.prog_value += 0.1
            self.progress_bar.progress(value=self.prog_value, text=f'Running Chain `{cid}`...')
    def on_chain_end(self, outputs, **kwargs) -> None:
        pass

现在你的应用程序将有一个漂亮的进度条，就像我们的一样。

# 总结

这就是使用LangChain构建LLM应用的方法！

今天我们简要介绍了如何构建一个简单的LLM应用，该应用与MyScale VectorStore进行交互，并解释了如何在查询流程中使用链。

我们希望本文能够帮助你从头开始设计基于LLM的应用程序架构。

你也可以在我们的Discord服务 (opens new window)上寻求帮助。无论是关于向量数据库、LLM应用程序还是其他令人惊奇的东西，我们都很乐意帮助你。你也可以使用我们的开放数据库来构建自己的应用程序！我们相信你可以使用这个带有MyScale的自查询检索器构建更棒的应用程序！祝你编程愉快！

我们在下一篇文章中见！