promptflow.rag Modul#

promptflow.rag.build_index(*, name: str, vector_store: str = 'azure_ai_search', input_source: Union[AzureAISearchSource, LocalSource], index_config: Optional[AzureAISearchConfig] = None, embeddings_model_config: EmbeddingsModelConfig, data_source_url: Optional[str] = None, tokens_per_chunk: int = 1024, token_overlap_across_chunks: int = 0, input_glob: str = '**/*', max_sample_files: Optional[int] = None, chunk_prepend_summary: Optional[bool] = None, document_path_replacement_regex: Optional[Dict[str, str]] = None, embeddings_cache_path: Optional[str] = None) → str#

Generiert lokal Embeddings und speichert Index-Referenz im Speicher

Parameter:

  • name (str) – Der Name des Ausgabe-Index.

  • vector_store (str) – Der zu indexierende Vektorspeicher.

  • input_source (Union[AzureAISearchSource, LocalSource]) – Die Konfiguration für die Eingabedatenquelle.

  • index_config (AzureAISearchConfig) – Die Konfiguration für die Ausgabe von Azure Cognitive Search.

  • embeddings_model_config (EmbeddingsModelConfig) – Die Konfiguration für das Embedding-Modell.

  • data_source_url (Optional[str]) – Die URL der Datenquelle.

  • tokens_per_chunk (int) – Die Größe jedes Chunks.

  • token_overlap_across_chunks (int) – Die Überlappung zwischen Chunks.

  • input_glob (str) – Das Eingabe-Glob-Muster.

  • max_sample_files (Optional[int]) – Die maximale Anzahl von Beispieldateien.

  • chunk_prepend_summary (Optional[bool]) – Ob eine Zusammenfassung jedem Chunk vorangestellt werden soll.

  • document_path_replacement_regex (Optional[Dict[str, str]]) – Das Regex für den Ersatz des Dokumentenpfads.

  • embeddings_cache_path (Optional[str]) – Der Pfad zum Embeddings-Cache.

Gibt zurück:

Lokaler Pfad zum erstellten Index.

Rückgabetyp:

str

promptflow.rag.get_langchain_retriever_from_index(path: str)#

Unterpakete#