Skip to main content

HyDE 检索器

此示例展示如何使用 HyDE 检索器，它实现了论文 this paper 中描述的假设文档嵌入（HyDE）。

从高层次来看，HyDE 是一种嵌入技术，它接收查询，生成一个假设性的答案，然后嵌入该生成的文档，并将其作为最终的嵌入结果。

因此，为了使用 HyDE，我们需要提供一个基础的嵌入模型以及一个可用于生成这些文档的 LLM。默认情况下，HyDE 类自带了一些可使用的默认提示（详见论文中的详细说明），但我们也可以自定义提示，其应包含一个单独的输入变量 {question}。

使用方法​

:::提示 请参阅安装集成包的一般说明部分。 :::

npm install @langchain/openai @langchain/core
import { OpenAI, OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { HydeRetriever } from "langchain/retrievers/hyde";
import { Document } from "@langchain/core/documents";

const embeddings = new OpenAIEmbeddings();
const vectorStore = new MemoryVectorStore(embeddings);
const llm = new OpenAI();
const retriever = new HydeRetriever({
  vectorStore,
  llm,
  k: 1,
});

await vectorStore.addDocuments(
  [
    "My name is John.",
    "My name is Bob.",
    "My favourite food is pizza.",
    "My favourite food is pasta.",
  ].map((pageContent) => new Document({ pageContent }))
);

const results = await retriever.invoke("What is my favourite food?");

console.log(results);
/*
[
  Document { pageContent: 'My favourite food is pasta.', metadata: {} }
]
*/

API Reference:

相关内容​

Was this page helpful?


You can also leave detailed feedback on GitHub.