LangChainでPDF検索をやってみた（FAISS、ConversationBufferWindowMemory、ConversationalRetrievalChain）

はじめに

LangChainの会話履歴を保存するmemory機能の1つであるConversationBufferWindowMemoryを検証してみました。LangChainのConversationBufferWindowMemoryの挙動を確認したい方におすすめです。

開発環境

• Windows 11
• Python 3.11.5
• dotenv
• LangChain
• Azure OpenAI Embeddings
• CharacterTextSplitter
• FAISS
• PyPDFLoader

実装

事前準備

今回は以下の記事で事前にベクトルストアを作成し、そこから回答を生成する方式をとります。

私はランニングを行っていることもあり、以下のランニング時計の取扱説明書のPDFをベクトル化しました。

必要なパッケージのインストール

以下のコマンドで必要なパッケージをインストールします。

pip install langchain
pip install openai
pip install python-dotenv
pip install faiss-cpu
pip install PyPDF2
pip install tiktoken

環境変数の設定と依存関係の読み込み

.envファイルを作成し、Azure Open AIの環境変数の設定をします。
ご自身の環境に合わせて設定してください。

.env

# APIキー
OPENAI_API_KEY = "XXXXX"

# エンドポイント
AZURE_OPENAI_ENDPOINT = "XXXXX"

# 使用するOpenAI APIのバージョン
OPENAI_API_VERSION = "XXXXX"

　　
必要なライブラリをインポートします。

test.py

# 環境変数を.envファイルから読み込む
from dotenv import load_dotenv
load_dotenv()

from langchain.chat_models import AzureChatOpenAI
from langchain.embeddings import AzureOpenAIEmbeddings

from langchain.vectorstores import FAISS
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory

使用するモデルの準備

Azure Chat OpenAIとAzure OpenAI Embeddingsを定義します。

test.py

llm = AzureChatOpenAI(
    temperature=0,
    azure_deployment="gpt-35-turbo-16k",
)

embeddings = AzureOpenAIEmbeddings(
    azure_deployment="text-embedding-ada-002",
    chunk_size=1,
)

FAISSベクトルストアの読み込み

ローカルに保存しているベクトルストアの読み込みを行い、as_retriever()メソッドで検索機能を作成します。

test.py

vectorstore = FAISS.load_local("./vectorstore", embeddings)
retriever = vectorstore.as_retriever()

ConversationBufferWindowMemoryの定義

以下のようにConversationBufferWindowMemoryを定義します。会話履歴と出力のキーを指定しています。
ConversationBufferMemoryはkで指定している個数だけ前の会話履歴を保持します。

test.py

memory = ConversationBufferWindowMemory(
    k=1,
    memory_key="chat_history",
    output_key="answer",
    return_messages=True,
)

chainを作成し、実行

最後にchainを作成し、実行します。質問は3問準備しています。

test.py

chain = ConversationalRetrievalChain.from_llm(
    llm=llm, retriever=retriever, memory=memory
)

results = chain({"question": "心拍変動は計測可能ですか？"})
print("あなた：", results["question"])
print("ボット：", results["answer"])
print("会話履歴：", results["chat_history"])

results = chain({"question": "もっと詳しく説明してください。"})
print("あなた：", results["question"])
print("ボット：", results["answer"])
print("会話履歴：", results["chat_history"])

results = chain({"question": "血中酸素濃度は？"})
print("あなた：", results["question"])
print("ボット：", results["answer"])
print("会話履歴：", results["chat_history"])

　　
これまでのPythonコードを上から順に記述し終わったら、Pythonファイルを実行します。
実行結果は以下のようになりました。

kで指定した個数分（この場合は1つ）前の会話履歴が保存されていることが確認できます。
　　
k=2にすると、以下のように2つ前の会話まで保持されます。

この個数は使うシチュエーションに応じて調整してください。ただし、多く設定すると入力トークン数が増えるため、注意が必要です。

おわりに

LangChainの会話履歴を保存するmemory機能の1つであるConversationBufferWindowMemoryを検証してみました。文書検索に会話履歴を導入する際の選択肢の1つになります。ぜひ、試してみてください。

最後までお読みいただき、ありがとうございました！ 記事に関する質問等ございましたら、コメントもしくは以下のDMにてよろしくお願いします。

参考文献