RAG = Retrieval-Augmented Generation（检索增强生成），是当前大模型应用最主流的架构之一。
核心思路：不直接让模型凭"记忆"回答，而是先从外部知识库(基于目前所学内容就是chroma向量数据库)检索相关内容，把检索结果拼进 prompt，再让模型基于这些"证据"生成答案。

一、向量数据库(引入ollama第三方向量模型)

1.距离评估

# 创建向量库和评分方式[向量距离度量（Distance Metric）对比实验]

from langchain_ollama import OllamaEmbeddings
from langchain_chroma import Chroma
from langchain_core.documents.base import Document
embedding=OllamaEmbeddings(model='nomic-embed-text')
default_collection = Chroma(
    persist_directory="./chroma_distanctdb",
    embedding_function=embedding,
    collection_name="default_collection"  # L2
)# 1.计算向量距离的算法是此刻决定的，可以指定，也可以默认，如果默认，chroma选择的是l2算法，欧式距离
# 定义数据
docs = [
    Document(page_content="这个小米手机很好用"),
    Document(page_content="我国陕西地区盛产小米"),
]
# default_collection.add_documents(docs)
results = default_collection.similarity_search_with_score(
    "我刚和朋友通了个电话"
)
for doc,score in results:
    print(doc,score)

# 法二
# 使用ip算法，计算距离
collection_metadata = {"hnsw:space":"ip"}
ip_collection = Chroma(
    persist_directory="./chroma_distanctdb",
    embedding_function=embedding,
    collection_name="ip_collection",
    collection_metadata=collection_metadata
)

# ip_collection.add_documents(docs)
result = ip_collection.similarity_search_with_score("我刚和朋友通了个电话")

for doc,score in result:
    print(doc,score)
# cosine
collection_metadata = {"hnsw:space":"cosine"}
cos_collection = Chroma(
    persist_directory="./chroma_distanctdb",
    embedding_function=embedding,
    collection_name="cos_collection",
    collection_metadata=collection_metadata
)
cos_collection.add_documents(docs)
result = cos_collection.similarity_search_with_score("我刚和朋友通了个电话")
for doc,score in result:
    print(doc,score)
# 法四
collection_metadata = {"hnsw:space":"l2"}
l2_collection = Chroma(
    persist_directory="./chroma_distanctdb",
    embedding_function=embedding,
    collection_name="l2_collection",
    collection_metadata=collection_metadata
)
l2_collection.add_documents(docs)
result = l2_collection.similarity_search_with_score("我刚和朋友通了个电话")
for doc,score in result:
    print(doc,score)

批注：
“hnsw:space”:“l2” 这是建库时确定、之后不可改的参数。想换必须删集合(表)重建、重新 embedding入库。
在运行代码并进行检索similarity_search_with_score时，有一个极其重要的 Chroma 机制需要注意：Chroma 返回的永远是“距离（Distance）”，而不是“相似度（Similarity）”。这意味着分数越小，代表越相似。
在算法IP(内积,即看方向又看大小)和cosine(1-两向量夹角的余弦值,看方向)是仅在向量归一化后等价，L2(看距离)在三种算法均是越小越相似

2.语义查询

2.1相似度查询

#1.相似度查询 k默认为4
results = collection.similarity_search("大模型",k=1)
print(len(results))
print(results[0].page_content)

2.2带分数的相似度查询(调节过滤阈值)

data=collection.similarity_search_with_score('大模型',k=1)
print(data)
for docs,score in data:
#     # 0.6946302652359009
   print(docs,score)
#         if score>0.7:
#     告诉大模型，rag库中没有匹配的资料
'''
		在实际开发 RAG（检索增强生成）系统时，通常会将过滤阈值（Threshold）设定在0.70到0.80之间。即：只保留分数<0.8的结果发送给大语言模型，大于这个分数的宁愿让模型回答“知识库中未找到相关内容”，也不要强行喂给它干扰信息。
		距离值域取决于space：cosine是[0,2]，l2是[0,+∞)，ip无界
		匹配等级:S(0-0.3)
					 A(0.3-0.7)
					 B(0.7-1.1)
					 C(>1.1)
传参：人类的纯文本
返回结果是：文档+具体的距离分数
底层执行步骤：1.自动调模型算向量 
					 2.拿向量去ChromaDB查 
					 3.打包计算出距离分数并返回					 					
'''

2.3用向量进行相似度查询

# 把一段话先转成向量，用向量去库中查询
vector_query = embedding.embed_query("大模型")[embed_documents 接收的是列表]
print(len(vector_query[0]))
datas = collection.similarity_search_by_vector(vector_query[0])
print(datas)
'''
similarity_search_by_vector跳过embedding计算，适合你已经算好向量的场景（比如批量查询同一query），能省一次模型推理。
传参：纯数学向量
返回结果是：文档默认不带分数
底层执行步骤：1.直接拿向量去ChromaDB查 
					 2.返回最相似的内容				
'''

2.4用检索器进行相似度查询

from langchain_core.runnables import chain
@chain
def retrie(query:str):
    return  collection.similarity_search(query,k=1)
# 调用方式发生变化
results = retrie.invoke("大模型")
print(results)
'''
通过装饰器的方式将原本的普通函数包装成 LangChain的Runnable对象，invoke()是runnable的内部方法
'''

二、图片向量模型

import chromadb
from chromadb.utils.embedding_functions import OpenCLIPEmbeddingFunction
from chromadb.utils.data_loaders import ImageLoader
# 1. 获取持久化客户端
client = chromadb.PersistentClient(path="./chroma_image_db")
# 2. 初始化多模态嵌入模型
# embedding_function = OpenCLIPEmbeddingFunction()
# 3：实例化图像加载器
# data_loader = ImageLoader()

# 4. 创建集合 (Collection)
img_collection = client.get_or_create_collection(
    name="my_photo_album",
    embedding_function=OpenCLIPEmbeddingFunction(),
    data_loader=ImageLoader()  #  新增 3：把加载器绑定到集合上
)
# 5. 存入照片
img_collection.add(
    ids=["photo_1", "photo_2","photo_3", "photo_4"],
    uris=["./images/cat01.jpg", "./images/cat02.jpg","./images/dog01.png", "./images/dog02.jpeg"],
)
# A：以文搜图 (Text-to-Image)
text_results = img_collection.query(
    query_texts=["一只可爱的小猫"],
    n_results=1,    
     include=["uris", "distances"]
)
print( text_results)

# B：以图搜图 (Image-to-Image)

image_results = img_collection.query(
    query_uris=["./images/cat03.png"],
    n_results=1,
    include=["uris", "distances"]
)
print(image_results)

'''
返回值中的内容是由include来决定，指定返回内容在[]内，其他未添加的为None，ids除外(必需字段,不管有无均要显示)
'''