LangchainでRAGをDBに保管する方法

必要なライブラリのインストール

まず、Langchainとデータベース用のライブラリをインストールします。例えば、SQLiteを使う場合は以下のようにします。

pip install langchain sqlite3

データベースのセットアップ

SQLiteを使ってデータベースをセットアップします。以下は基本的なテーブルを作成する例です。

import sqlite3

# データベースに接続
conn = sqlite3.connect('rag_data.db')
cursor = conn.cursor()

# テーブルの作成
cursor.execute('''
CREATE TABLE IF NOT EXISTS documents (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    content TEXT NOT NULL
)
''')

conn.commit()
conn.close()

Langchainの設定

Langchainを使ってRAGを実装します。以下は基本的な流れです。

from langchain import Langchain
from langchain.vectorstores import SQLiteVectorStore
from langchain.embeddings import OpenAIEmbeddings

# データベース接続
conn = sqlite3.connect('rag_data.db')

# ベクトルストアの設定
vectorstore = SQLiteVectorStore(conn, 'documents', embedding=OpenAIEmbeddings())

# Langchainのインスタンスを作成
langchain = Langchain(vectorstore)

# データの追加
def add_document(content):
    cursor = conn.cursor()
    cursor.execute('INSERT INTO documents (content) VALUES (?)', (content,))
    conn.commit()

# ドキュメントの追加例
add_document("これはサンプルドキュメントです。")

質問応答の実装

RAGを使って質問応答を行うための基本的な例です。

# 質問応答の実行
query = "サンプルドキュメントについて教えてください。"
response = langchain.query(query)

print(response)