LangChain / RAG / Vector DBs · บทเรียน

การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง

สร้างสายโซ่การค้นคืนแบบกำหนดเองที่ผสานรวมตรรกะทางธุรกิจที่ซับซ้อน ขั้นตอนการประมวลผลล่วงหน้า หรือการกรองเฉพาะทาง

การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง เป็นบทเรียน LangChain / RAG / Vector DBs ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน LangChain / RAG / Vector DBs และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส LangChain / RAG / Vector DBs มีบทเรียนทั้งหมด 4 บทเรียน

บางส่วนของบทเรียนนี้ยังไม่ได้รับการแปล และแสดงเป็นภาษาอังกฤษ

Beyond Basic RAG

Welcome! In this lesson, we'll dive into extending LangChain's retrieval chains. While standard Retrieval Augmented Generation (RAG) is powerful, real-world applications often need more nuanced control.

We'll learn how to inject custom logic into the retrieval process to make your RAG systems smarter and more tailored to specific needs.

Practical Customization Needs

Why would you need custom logic in a retrieval chain? Consider these common scenarios:

Filtering by User Permissions: Only retrieve documents accessible to the current user.
Prioritizing Fresh Data: Boost documents created or updated recently.
Removing Irrelevant Sections: Clean up retrieved text before passing it to the LLM.
Dynamic Query Rephrasing: Automatically improve user queries for better search results.

These needs go beyond what a basic retriever offers.

LangChain's Custom Primitives

LangChain provides flexible primitives to insert custom Python logic directly into your chains:

RunnableLambda: This allows you to wrap any Python function, making it a runnable component. It's perfect for applying arbitrary transformations.
RunnablePassthrough: This simply passes its input through to the next step. It's useful for injecting new keys into the input dictionary or for identity operations.

These are your building blocks for custom steps.

Enhancing User Queries (Pre-processing)

One powerful customization is query pre-processing. This means modifying the user's input query before it's sent to the retriever or vector store.

You could add specific keywords based on detected intent.
Expand common abbreviations or synonyms.
Rephrase the query to improve embedding search results.

This subtle step can significantly boost the relevance of retrieved documents.

Custom Query Transformer Code

Let's see how to implement a simple query pre-processor using RunnableLambda. This example adds a 'detailed search for' prefix to the original query.

from langchain_core.runnables import RunnableLambda
from langchain_core.promnpts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# Mock LLM for demonstration purposes
class MockLLM(ChatOpenAI):
    def invoke(self, input):
        return f"LLM processed: {input['enhanced_query']}"

def enhance_query(input_dict):
    original_query = input_dict["question"]
    return {"enhanced_query": f"detailed search for {original_query}"}

llm = MockLLM() # In a real app, use ChatOpenAI(model="gpt-4")

prompt = ChatPromptTemplate.from_template(
    "Answer based on the following search query: {enhanced_query}"
)

custom_chain = (
    {"enhanced_query": RunnableLambda(enhance_query)} # Our custom step
    | prompt
    | llm
)

result = custom_chain.invoke({"question": "latest AI trends"})
print(result)

Refining Retrieved Documents (Post-processing)

Another crucial area for custom logic is document post-processing. This occurs after documents have been retrieved but before they are passed to the LLM.

Filtering: Remove documents that don't meet certain criteria (e.g., outdated, wrong source).
Re-ranking: Reorder documents based on custom relevance scores.
Summarizing: Condense lengthy documents to fit context windows.

This ensures the LLM receives the most relevant and concise context, improving answer quality and reducing token usage.

Filtering Documents by Metadata

Here's an example of filtering retrieved documents based on their metadata. We'll simulate a retriever that returns documents and then filter them to only include those from a specific 'blog' source.

from langchain_core.documents import Document
from langchain_core.runnables import RunnableLambda
from langchain_core.promnpts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# Mock LLM for demonstration
class MockLLM(ChatOpenAI):
    def invoke(self, input):
        context = input.get("context", "No context provided")
        return f"LLM processed docs: {context}"

# Mock retriever returning Documents with metadata
def mock_retrieve(query):
    return [
        Document(page_content="Doc A about AI", metadata={"source": "blog"}),
        Document(page_content="Doc B about ML", metadata={"source": "research"}),
        Document(page_content="Doc C about AI ethics", metadata={"source": "blog"}),
    ]

def filter_by_source(docs, desired_source="blog"):
    # Only keep documents from the 'blog' source
    return [doc for doc in docs if doc.metadata.get("source") == desired_source]

llm = MockLLM()
prompt = ChatPromptTemplate.from_template(
    "Answer based on the following context: {context}"
)

# Build a simple chain with retrieval and custom filter
custom_retrieval_chain = (
    RunnableLambda(mock_retrieve) # Simulate retrieval
    | RunnableLambda(filter_by_source) # Apply custom filter
    | (lambda docs: {"context": "\n\n".join([d.page_content for d in docs])}) # Format for LLM
    | prompt
    | llm
)

result = custom_retrieval_chain.invoke("AI topics")
print(result)

End-to-End Custom Chain

You can combine both query pre-processing and document post-processing within a single LangChain chain. The flow would look something like this:

User Query
Custom Query Pre-processor
Retriever (e.g., Vector Store)
Custom Document Post-processor
LLM for Answer Generation

This modular approach gives you fine-grained control over every step of your RAG pipeline, making it highly adaptable to complex requirements.

Advanced: Conditional Routing

For even more dynamic behavior, LangChain offers RunnableBranch. This powerful construct allows your chain to take different paths based on certain conditions.

For example, you could:

Use one retriever if the query is about 'code' and another for 'general knowledge'.
Apply different document filters based on the user's role.

RunnableBranch enables sophisticated, context-aware RAG workflows.

Check Your Understanding

Which LangChain primitive is best suited for inserting a simple Python function to modify data (e.g., filter a list of documents) within a chain?

Recap: Extending Retrieval

Great job! In this lesson, you learned how to extend LangChain retrieval chains with custom logic:

We explored the need for customization in real-world RAG.
You discovered RunnableLambda and RunnablePassthrough as key tools.
We saw how to pre-process queries for better retrieval.
You learned to post-process retrieved documents for refined context.
We touched on advanced concepts like RunnableBranch for conditional logic.

Experiment with these techniques to build highly customized and efficient RAG applications!

คำถามที่พบบ่อย

บทเรียน “การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส LangChain / RAG / Vector DBs ให้อัปเกรดเป็น CoddyKit PRO คอร์ส LangChain / RAG / Vector DBs มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง”

สร้างสายโซ่การค้นคืนแบบกำหนดเองที่ผสานรวมตรรกะทางธุรกิจที่ซับซ้อน ขั้นตอนการประมวลผลล่วงหน้า หรือการกรองเฉพาะทาง คุณปฏิบัติ LangChain / RAG / Vector DBs ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน LangChain / RAG / Vector DBs หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน LangChain / RAG / Vector DBs บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน

บทเรียน “การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน LangChain / RAG / Vector DBs นี้ได้ไหม

ได้ บทเรียน LangChain / RAG / Vector DBs ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

การพัฒนาตัวโหลดเอกสารแบบกำหนดเอง
การผสานรวมโมเดลการฝังแบบกำหนดเอง
การขยายสายโซ่การค้นคืนด้วยตรรกะแบบกำหนดเอง
การสร้างตัวแยกวิเคราะห์ผลลัพธ์แบบกำหนดเอง

← กลับไปที่ LangChain / RAG / Vector DBs