Chapitre 1 : LangChain pour RAG

Aperçu de LangChain

LangChain fournit des blocs de construction pour les pipelines RAG :

• Chargeurs et diviseurs de documents
• Embeddings et magasins de vecteurs
• Récupérateurs et chaînes
• LCEL pour la composabilité

Chaîne RAG de base

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

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

# Créer une chaîne
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

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

LCEL (LangChain Expression Language)

Approche moderne et composable :

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

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

Context: {context}
Question: {question}

Answer:""")

# Construire une chaîne avec LCEL
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

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

Types de chaînes

Type	Description	Cas d'utilisation
stuff	Mettre tous les documents dans le prompt	Petits contextes
map_reduce	Traiter les documents séparément, combiner	Grandes bases de données
refine	Affiner la réponse de manière itérative	Requêtes complexes
map_rerank	Noter et sélectionner le meilleur	Réponses multiples

Ajouter de la mémoire

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
)

# Maintient le contexte de la conversation
chain.invoke({"question": "What is RAG?"})
chain.invoke({"question": "What are its benefits?"})  # Se souvient du contexte

---

Prochaines étapes

Continuez vers Chapitre 2 : LlamaIndex.