Capítulo 1: LangChain para RAG

Descripción general de LangChain

LangChain proporciona bloques de construcción para pipelines de RAG:

• Cargadores y divisores de documentos
• Embeddings y almacenes vectoriales
• Retrievers y chains
• LCEL para composabilidad

Cadena RAG básica

from langchain.chat_models import ChatOpenAI
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# Setup
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)
llm = ChatOpenAI(model="gpt-4")

# Create chain
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

# Query
response = qa_chain.invoke("What is RAG?")
print(response["result"])

LCEL (Lenguaje de Expresión de LangChain)

Enfoque moderno y componible:

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# Define prompt
prompt = ChatPromptTemplate.from_template("""
Answer the question based on the context:

Context: {context}
Question: {question}

Answer:""")

# Build chain with LCEL
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# Use
response = chain.invoke("What is RAG?")

Tipos de cadenas

Tipo	Descripción	Caso de uso
stuff	Pone todos los documentos en el prompt	Contextos pequeños
map_reduce	Procesa documentos por separado, luego combina	Conjuntos de datos grandes
refine	Refina la respuesta de manera iterativa	Consultas complejas
map_rerank	Puntúa y selecciona la mejor	Múltiples respuestas

Añadiendo memoria

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationalRetrievalChain

memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

chain = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=retriever,
    memory=memory
)

# Mantiene el contexto de la conversación
chain.invoke({"question": "What is RAG?"})
chain.invoke({"question": "What are its benefits?"})  # Recuerda el contexto

---

Próximos pasos

Continúe a Capítulo 2: LlamaIndex.