Как заставить диалоговую поисковую цепочку включать метаданные в приглашение, используя langchain с chromadb, чтобы LLM знал о метаданных?

Я пытаюсь создать бота, который отвечает на вопросы из chromadb, я сохранил несколько файлов PDF с метаданными, такими как имя файла и имя кандидата, моя проблема в том, что когда я использую диалоговую цепочку поиска, модель LLM просто получает page_content без метаданных, я хочу, чтобы Модель LLM, позволяющая учитывать page_content с его метаданными, такими как имя файла и имя кандидата. вот мой код

conversation_chain=ConversationalRetrievalChain.from_llm(
        llm=llm,
        retriever=SelfQueryRetriever.from_llm(llm,vectorstore,document_content_description,metadata_field_info),
       
        memory=memory,
        verbose=True,
       
        
    )

и вот моя информация об атрибутах

metadata_field_info = [
    AttributeInfo(
        name = "filename",
        description = "The name of the resumee",
        type = "string",

        
    ),
    AttributeInfo(
        name = "candidatename",
        description = "the name of the candidate",
        type = "string"
    )

]

я попробовал это return_source_documents=True, и это не сработало

the programmer 18.04.2024 17:20
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
1
854
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Я исправил эту проблему, включив document_prompt

    document_combine_prompt = PromptTemplate(
     input_variables=["candidatename","page_content"],
     template= """
        page_content: {page_content}
        candidatename:{candidatename}
        """
)
    conversation_chain=ConversationalRetrievalChain.from_llm(
        llm=llm,
        retriever=SelfQueryRetriever.from_llm(llm,vectorstore,document_content_description,metadata_field_info,verbose=True),
        
        memory=memory,
        verbose=True,
        return_source_documents=True,
        combine_docs_chain_kwargs = {"prompt": custom_prompt,
                                   "document_prompt":document_combine_prompt
                                   }
    )

Другие вопросы по теме