问答（Question Answering）

概念指南 (opens in a new tab)

在此上下文中，问答指的是在文档数据上进行的问答。 对于其他类型数据的问答，请参考其他来源的文档，如 SQL 数据库问答 或 与 API 交互。

对于许多文档的问答，您几乎总是希望在数据上创建索引。 这可以用于智能地访问给定问题的最相关文档，从而避免将所有文档传递给 LLM（节省时间和金钱）。

有关更详细的介绍，请参见 此教程， 但对于超级快速启动，步骤涉及：加载文档

from langchain.document_loaders import TextLoader
loader = TextLoader('../state_of_the_union.txt')

在这里查看更多有关如何开始文档加载的信息。

创建索引

from langchain.indexes import VectorstoreIndexCreator
index = VectorstoreIndexCreator().from_loaders([loader])

目前最好、最流行的索引是VectorStore索引。

查询您的索引

query = "What did the president say about Ketanji Brown Jackson"
index.query(query)

或者，使用query_with_sources也可以返回所涉及的来源。

query = "What did the president say about Ketanji Brown Jackson"
index.query_with_sources(query)

同样，这些高级接口掩盖了许多在幕后发生的事情，请参见这里，以获取有关如何开始的更多信息，降低纬度理解它。

文档问答

文档问答涉及获取多个文档，然后对它们提出问题。LLM响应将根据文档内容包含您问题的答案。

使用问答链的推荐方法是：

from langchain.chains.question_answering import load_qa_chain
chain = load_qa_chain(llm, chain_type="stuff")
chain.run(input_documents=docs, question=query)
 

以下资源可用：

• 问答教程：演示如何完成此任务的教程。
• VectorDB问答教程：演示如何对VectorDB执行问答的教程。一个向量数据库。当你有大量文档时，这通常很有用，你不想将它们全部传递给LLM，而是想先对嵌入进行一些语义搜索。

添加来源

还有一种变体，除了回答之外，语言模型还会引用它的来源（比如使用了哪些传递给它的文档）。

使用带有来源的问答链进行起步的推荐方法是：

from langchain.chains.qa_with_sources import load_qa_with_sources_chain
chain = load_qa_with_sources_chain(llm, chain_type="stuff")
chain({"input_documents": docs, "question": query}, return_only_outputs=True)
 

以下资源可用：

• 带来源的问答教程：一个演示如何使用带有来源的问答链的教程。成此任务的方法。

• VectorDB QA With Sources Notebook：一份教程，介绍如何在向量数据库上使用源进行问答。当您有大量文档时，您可能不想将它们全部传递给LLM，而是想先对嵌入进行一些语义搜索，这时候这个方法通常非常有用。

其他相关资源 #

其他相关资源包括：

• 用于处理文档的实用工具：指南介绍了几个实用的工具，对于此任务非常有帮助，包括文本分割器（用于分割长文档）和嵌入和向量存储（对上述向量数据库示例非常有用）。

• CombineDocuments Chains：介绍了特定类型的链的概念概述，您可以使用这些链完成此任务。端到端示例 #

要查看以端到端方式完成的示例

请参阅以下资源：

• 使用Sources Notebook对群聊进行语义搜索：一个教程，可在群聊对话中进行语义搜索。