LangChain-05 RAG 增强检索会话 Conversational

Conversational 增强检索会话

Conversational 增强检索会话（Conversational Search）是一种结合自然语言处理和上下文理解能力的智能搜索技术，它能够理解用户的查询意图，并在多轮对话中保持上下文一致性，提供更精准的搜索结果。

核心特点

上下文理解：
- 能够记住对话历史（通常3-5轮）
- 理解指代关系（如”它”、“这个”等）
- 示例：用户问”北京天气如何？“，后续问”那上海呢？“系统能理解”上海”指代的是天气查询
意图识别：
- 区分不同查询类型（信息查询、事务处理、建议获取等）
- 理解隐含意图（如”我头疼”可能隐含医疗查询意图）
多模态响应：
- 结合文本、图像、视频等多种形式
- 提供结构化答案（如表格、图表）而不仅仅是网页链接

技术实现

架构组成：
- 对话状态跟踪器（DST）
- 自然语言理解模块（NLU）
- 检索增强生成（RAG）系统
- 响应生成器
关键技术：
- Transformer架构（如BERT、GPT等）
- 向量数据库存储和检索
- 知识图谱集成
- 强化学习优化

应用场景

客户服务：
- 处理复杂问题咨询
- 自动化故障排除
- 示例：电信客服处理”我的网络为什么这么慢？“的完整诊断流程
电子商务：
- 个性化产品推荐
- 跨品类商品比较
- 示例：“我想要一款2000元以下的蓝牙耳机，适合运动使用”
医疗健康：
- 症状初步分析
- 药物信息查询
- 注意事项提醒

挑战与解决方案

挑战：
- 歧义消除
- 长对话一致性维护
- 领域知识更新
解决方案：
- 主动澄清机制（“您是指X还是Y？”）
- 对话历史摘要技术
- 实时知识库同步

安装依赖

pip install --upgrade --quiet  langchain-core langchain-community langchain-openai

代码实现

from langchain_core.messages import AIMessage, HumanMessage, get_buffer_string
from langchain_core.prompts import format_document
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_openai.chat_models import ChatOpenAI
from langchain_openai import OpenAIEmbeddings
from langchain.prompts.prompt import PromptTemplate
from langchain.prompts.chat import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from operator import itemgetter
from langchain_community.vectorstores import DocArrayInMemorySearch


vectorstore = DocArrayInMemorySearch.from_texts(
        ["wuzikang worked at earth", "sam worked at home", "harrison worked at kensho"], embedding=OpenAIEmbeddings()
    )
retriever = vectorstore.as_retriever()


_template = """Given the following conversation and a follow up question, rephrase the follow up question to be a standalone question, in its original language.

Chat History:
{chat_history}
Follow Up Input: {question}
Standalone question:"""
CONDENSE_QUESTION_PROMPT = PromptTemplate.from_template(_template)


template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
ANSWER_PROMPT = ChatPromptTemplate.from_template(template)

DEFAULT_DOCUMENT_PROMPT = PromptTemplate.from_template(template="{page_content}")


def _combine_documents(
    docs, document_prompt=DEFAULT_DOCUMENT_PROMPT, document_separator="\n\n"
):
    doc_strings = [format_document(doc, document_prompt) for doc in docs]
    return document_separator.join(doc_strings)


_inputs = RunnableParallel(
    standalone_question=RunnablePassthrough.assign(
        chat_history=lambda x: get_buffer_string(x["chat_history"])
    )
    | CONDENSE_QUESTION_PROMPT
    | ChatOpenAI(temperature=0)
    | StrOutputParser(),
)
_context = {
    "context": itemgetter("standalone_question") | retriever | _combine_documents,
    "question": lambda x: x["standalone_question"],
}
conversational_qa_chain = _inputs | _context | ANSWER_PROMPT | ChatOpenAI()

message1 = conversational_qa_chain.invoke(
    {
        "question": "what is his name?",
        "chat_history": [],
    }
)
print(f"message1: {message1}")

message2 = conversational_qa_chain.invoke(
    {
        "question": "where did sam work?",
        "chat_history": [],
    }
)
print(f"message2: {message2}")

message3 = conversational_qa_chain.invoke(
    {
        "question": "where did he work?",
        "chat_history": [
            HumanMessage(content="Who wrote this notebook?"),
            AIMessage(content="Harrison"),
        ],
    }
)
print(f"message3: {message3}")

代码解释

在初始化中，定义了一些文档内容：

“wuzikang worked at earth”
“sam worked at home”
“harrison worked at kensho”

在后续的代码中，使用了一个模板，并做了三个问题的会话：

“question”: “what is his name?”
“question”: “where did sam work?”
“question”: “where did he work?”

此时并没有指明 his sam he，但是大模型通过定义的文档内容和相对应的 chat history 来推测出答案。

运行结果

message1: The name of the person we were just talking about is Wuzikang.
message2: Sam worked at home.
message3: Harrison worked at Kensho.