Pathway 检索器¶

Pathway 是一个开源数据处理框架。它允许您轻松开发处理实时数据源和变化数据的 数据转换管道和机器学习应用。

本笔记本演示了如何使用使用 LlamaIndex 的实时数据索引管道。您可以使用提供的 PathwayRetriever 从您的 LLM 应用查询此管道的结果。然而，在底层，Pathway 会在每次数据变化时更新索引，为您提供始终最新的答案。

在本笔记本中，我们将使用一个公共演示文档处理管道，它

1. 监控多个云数据源以检测数据变化。
2. 为数据构建向量索引。

要拥有自己的文档处理管道，请查看托管服务或按照本笔记本构建您自己的。

我们将使用 llama_index.retrievers.pathway.PathwayRetriever 检索器连接到索引，它实现了 retrieve 接口。

本文档描述的基本管道可以轻松构建存储在云位置的文件简单索引。然而，Pathway 提供了构建实时数据管道和应用所需的一切，包括类似 SQL 的操作，例如不同数据源之间的分组-归约和连接，基于时间的数据分组和窗口化，以及广泛的连接器。

有关 Pathway 数据摄取管道和向量存储的更多详细信息，请访问向量存储管道。

前提条件¶

要使用 PathwayRetrievier，您必须安装 llama-index-retrievers-pathway 包。

In [ ]

!pip install llama-index-retrievers-pathway

!pip install llama-index-retrievers-pathway

为 llama-index 创建检索器¶

要实例化和配置 PathwayRetriever，您需要提供文档索引管道的 url 或 host 和 port。在下面的代码中，我们使用一个公开可用的演示管道，您可以在 https://demo-document-indexing.pathway.stream 访问其 REST API。此演示从Google Drive 和Sharepoint 摄取文档，并维护一个用于检索文档的索引。

In [ ]

from llama_index.retrievers.pathway import PathwayRetriever

retriever = PathwayRetriever(
    url="https://demo-document-indexing.pathway.stream"
)
retriever.retrieve(str_or_query_bundle="what is pathway")

from llama_index.retrievers.pathway import PathwayRetriever retriever = PathwayRetriever( url="https://demo-document-indexing.pathway.stream" ) retriever.retrieve(str_or_query_bundle="what is pathway")

轮到您了！ 获取您的管道或上传新文档到演示管道并重试查询！

在查询引擎中使用¶

In [ ]

from llama_index.core.query_engine import RetrieverQueryEngine

query_engine = RetrieverQueryEngine.from_args(
    retriever,
)

from llama_index.core.query_engine import RetrieverQueryEngine query_engine = RetrieverQueryEngine.from_args( retriever, )

In [ ]

response = query_engine.query("Tell me about Pathway")
print(str(response))

response = query_engine.query("Tell me about Pathway") print(str(response))

构建您自己的数据处理管道¶

前提条件¶

安装 pathway 包。然后下载示例数据。

In [ ]

%pip install pathway
%pip install llama-index-embeddings-openai

%pip install pathway %pip install llama-index-embeddings-openai

In [ ]

!mkdir -p 'data/'
!wget 'https://gist.githubusercontent.com/janchorowski/dd22a293f3d99d1b726eedc7d46d2fc0/raw/pathway_readme.md' -O 'data/pathway_readme.md'

!mkdir -p 'data/' !wget 'https://gist.githubusercontent.com/janchorowski/dd22a293f3d99d1b726eedc7d46d2fc0/raw/pathway_readme.md' -O 'data/pathway_readme.md'

定义 Pathway 跟踪的数据源¶

Pathway 可以同时监听许多来源，例如本地文件、S3 文件夹、云存储以及任何用于数据变化的数据流。

有关更多信息，请参阅pathway-io。

In [ ]

import pathway as pw

data_sources = []
data_sources.append(
    pw.io.fs.read(
        "./data",
        format="binary",
        mode="streaming",
        with_metadata=True,
    )  # This creates a `pathway` connector that tracks
    # all the files in the ./data directory
)

# This creates a connector that tracks files in Google drive.
# please follow the instructions at https://pathway.com/developers/tutorials/connectors/gdrive-connector/ to get credentials
# data_sources.append(
#     pw.io.gdrive.read(object_id="17H4YpBOAKQzEJ93xmC2z170l0bP2npMy", service_user_credentials_file="credentials.json", with_metadata=True))

import pathway as pw data_sources = [] data_sources.append( pw.io.fs.read( "./data", format="binary", mode="streaming", with_metadata=True, ) # This creates a `pathway` connector that tracks # all the files in the ./data directory ) # This creates a connector that tracks files in Google drive. # please follow the instructions at https://pathway.com/developers/tutorials/connectors/gdrive-connector/ to get credentials # data_sources.append( # pw.io.gdrive.read(object_id="17H4YpBOAKQzEJ93xmC2z170l0bP2npMy", service_user_credentials_file="credentials.json", with_metadata=True))

创建文档索引管道¶

让我们创建文档索引管道。transformations 应该是一个 TransformComponent 列表，以一个 Embedding 转换结束。

在此示例中，让我们首先使用 TokenTextSplitter 分割文本，然后使用 OpenAIEmbedding 进行嵌入。

In [ ]

from pathway.xpacks.llm.vector_store import VectorStoreServer
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core.node_parser import TokenTextSplitter

embed_model = OpenAIEmbedding(embed_batch_size=10)

transformations_example = [
    TokenTextSplitter(
        chunk_size=150,
        chunk_overlap=10,
        separator=" ",
    ),
    embed_model,
]

processing_pipeline = VectorStoreServer.from_llamaindex_components(
    *data_sources,
    transformations=transformations_example,
)

# Define the Host and port that Pathway will be on
PATHWAY_HOST = "127.0.0.1"
PATHWAY_PORT = 8754

# `threaded` runs pathway in detached mode, we have to set it to False when running from terminal or container
# for more information on `with_cache` check out https://pathway.com/developers/api-docs/persistence-api
processing_pipeline.run_server(
    host=PATHWAY_HOST, port=PATHWAY_PORT, with_cache=False, threaded=True
)

from pathway.xpacks.llm.vector_store import VectorStoreServer from llama_index.embeddings.openai import OpenAIEmbedding from llama_index.core.node_parser import TokenTextSplitter embed_model = OpenAIEmbedding(embed_batch_size=10) transformations_example = [ TokenTextSplitter( chunk_size=150, chunk_overlap=10, separator=" ", ), embed_model, ] processing_pipeline = VectorStoreServer.from_llamaindex_components( *data_sources, transformations=transformations_example, ) # Define the Host and port that Pathway will be on PATHWAY_HOST = "127.0.0.1" PATHWAY_PORT = 8754 # `threaded` runs pathway in detached mode, we have to set it to False when running from terminal or container # for more information on `with_cache` check out https://pathway.com/developers/api-docs/persistence-api processing_pipeline.run_server( host=PATHWAY_HOST, port=PATHWAY_PORT, with_cache=False, threaded=True )

将检索器连接到自定义管道¶

In [ ]

from llama_index.retrievers.pathway import PathwayRetriever

retriever = PathwayRetriever(host=PATHWAY_HOST, port=PATHWAY_PORT)
retriever.retrieve(str_or_query_bundle="what is pathway")

from llama_index.retrievers.pathway import PathwayRetriever retriever = PathwayRetriever(host=PATHWAY_HOST, port=PATHWAY_PORT) retriever.retrieve(str_or_query_bundle="what is pathway")