rag.haystack_pipeline
Haystack Pipeline模块 - 实现基于Haystack的RAG管道
Classes
|
基于Haystack的RAG管道 |
RAG管道工厂类,创建基于Haystack的RAG管道 |
- class rag.haystack_pipeline.RAGPipeline(llm_connector, document_store=None, retriever_top_k=5, prompt_builder=None, embedding_model='sentence-transformers/all-MiniLM-L6-v2')[source]
Bases:
object基于Haystack的RAG管道
- __init__(llm_connector, document_store=None, retriever_top_k=5, prompt_builder=None, embedding_model='sentence-transformers/all-MiniLM-L6-v2')[source]
初始化RAG管道
- Parameters:
llm_connector (BaseLLMConnector) – LLM连接器
document_store (InMemoryDocumentStore, optional) – 当前Haystack检索器使用内存文档存储,如果为None则创建InMemoryDocumentStore
retriever_top_k (int) – 检索器返回的最大文档数量
prompt_builder (ChatPromptBuilder, optional) – 提示构建器,如果为None则创建默认构建器
embedding_model (str) – 嵌入模型名称
- update_retriever(document_store=None, top_k=None)[source]
更新检索器
- Parameters:
document_store (DocumentStore, optional) – 新的文档存储
top_k (int, optional) – 新的最大检索文档数量
- update_llm_connector(llm_connector)[source]
更新LLM连接器
- Parameters:
llm_connector (BaseLLMConnector) – 新的LLM连接器
- class rag.haystack_pipeline.RAGPipelineFactory[source]
Bases:
objectRAG管道工厂类,创建基于Haystack的RAG管道
- static create_pipeline(llm_connector, document_store=None, retriever_top_k=5, prompt_builder=None, config=None)[source]
创建RAG管道
- Parameters:
llm_connector (BaseLLMConnector) – LLM连接器
document_store (InMemoryDocumentStore, optional) – 当前Haystack检索器使用内存文档存储
retriever_top_k (int) – 检索器返回的最大文档数量
prompt_builder (ChatPromptBuilder, optional) – 提示构建器
config (dict, optional) – 配置参数
- Returns:
RAG管道实例
- Return type: