工具
lazyllm.tools.agent.code_interpreter
code_interpreter(code, language='python')
Interpret the code and return the code interpreter result (include stdout, stderr, returncode, etc.).
Parameters:
-
code(str) –The code to interpret.
-
language(str, default:'python') –The language of the code. Default is 'python'.
Source code in lazyllm/tools/agent/code_interpreter.py
lazyllm.tools.sandbox.LazyLLMSandboxBase
Bases: ModuleBase
沙箱执行基类,定义统一的代码执行接口与语言检查逻辑。
Parameters:
-
output_dir_path(str | None, default:None) –输出文件保存目录,默认当前工作目录,可能会覆盖当前工作目录下的文件。
-
return_trace(bool, default:False) –是否返回中间执行信息(由 ModuleBase 控制)。
Notes
子类需实现 _is_available 与 _execute 方法。
Source code in lazyllm/tools/sandbox/sandbox_base.py
40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 | |
forward(code, language='python', input_files=None, output_files=None)
统一执行入口,负责语言校验并调用具体实现。
Parameters:
-
code(str) –待执行的代码。
-
language(str, default:'python') –代码语言,默认 'python'。
-
input_files(list[str] | None, default:None) –输入文件路径列表,可选。
-
output_files(list[str] | None, default:None) –需要回传的输出文件列表,可选。
Returns:
由具体沙箱实现返回的结果(通常为 dict 或错误信息字符串)。
Source code in lazyllm/tools/sandbox/sandbox_base.py
lazyllm.tools.sandbox.DummySandbox
Bases: LazyLLMSandboxBase
本地沙箱实现(python-only),用于在受限环境中执行代码。
特点: - 通过 AST + SecurityVisitor 做基础安全检查。 - 在临时目录中运行代码,执行完毕后清理。 - 返回 stdout/stderr/returncode 的字典结果。
Parameters:
-
timeout(int, default:30) –超时时间(秒),默认 30。
-
project_dir(str | None, default:None) –若指定,将项目内 .py 文件复制到沙箱执行目录,便于引用。
-
return_trace(bool, default:False) –是否返回中间执行信息。
Examples:
>>> from lazyllm.tools.sandbox import DummySandbox
>>> sandbox = DummySandbox(timeout=10)
>>> result = sandbox(code="print(1 + 1)")
>>> print(result['stdout'].strip())
2
Source code in lazyllm/tools/sandbox/dummy_sandbox.py
14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 | |
execute_script(source_dir, rel_path, args=None, cwd='.', allow_unsafe=False)
在临时执行目录中运行一个已物化的 Skill 脚本。
该方法会将 source_dir 的完整目录树复制到临时目录,校验脚本路径和工作目录均未逃逸出临时目录,
再根据扩展名选择解释器执行。.py 文件使用当前 Python 解释器,.sh 和 .bash 文件使用 Bash,
其他扩展名使用 sh。执行结束后会清理临时目录。
Parameters:
-
source_dir(str) –已物化的 Skill 包根目录。
-
rel_path(str) –相对于
source_dir的脚本路径。 -
args(list[str] | None, default:None) –传递给脚本的参数。
-
cwd(str, default:'.') –相对于
source_dir的工作目录,默认为.。 -
allow_unsafe(bool, default:False) –预留的审批参数;DummySandbox 当前不提供审批边界,因此会忽略该参数。
Returns:
dict:包含 `status`、`stdout`、`stderr`、`exit_code` 和 `cwd`。脚本不存在时返回
`status='missing'`;非零退出码返回 `status='failed'`。
Notes
DummySandbox 只提供临时目录和子进程执行边界,并非强安全隔离。它不会限制脚本读取宿主机文件、 访问网络或继承当前进程环境。不要用它执行未经信任的代码。
Examples:
>>> import tempfile
>>> from pathlib import Path
>>> from lazyllm.tools.sandbox import DummySandbox
>>> with tempfile.TemporaryDirectory() as root:
... script = Path(root) / "scripts" / "check.py"
... script.parent.mkdir()
... _ = script.write_text("print('ok')\n", encoding="utf-8")
... result = DummySandbox(timeout=10).execute_script(
... source_dir=root,
... rel_path="scripts/check.py",
... args=[],
... )
... print(result['stdout'].strip())
ok
Source code in lazyllm/tools/sandbox/dummy_sandbox.py
lazyllm.tools.sandbox.SandboxFusion
Bases: LazyLLMSandboxBase
远程沙箱实现,通过 HTTP API 执行代码并获取结果。
支持语言:python / bash。可配置编译超时、运行超时、内存限制,并支持上传工程文件与拉取输出文件。
Parameters:
-
base_url(str, default:config['sandbox_fusion_base_url']) –远程沙箱服务地址,默认来自 config['sandbox_fusion_base_url']。
-
compile_timeout(int, default:10) –编译超时(秒),默认 10。
-
run_timeout(int, default:10) –运行超时(秒),默认 10。
-
memory_limit_mb(int, default:-1) –内存限制(MB),-1 表示不限制。
-
project_dir(str | None, default:None) –若指定,将工程目录下的 .py 文件上传到沙箱。
Notes
需要配置 LAZYLLM_SANDBOX_FUSION_BASE_URL 或显式传入 base_url。
Examples:
>>> from lazyllm import config
>>> from lazyllm.tools.sandbox import SandboxFusion
>>> config['sandbox_fusion_base_url'] = "http://localhost:8000"
>>> sandbox = SandboxFusion(run_timeout=5)
>>> result = sandbox(code="print('ok')")
>>> print(result['stdout'].strip())
ok
Source code in lazyllm/tools/sandbox/sandbox_fusion.py
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 | |
lazyllm.tools.IntentClassifier
Bases: ModuleBase
意图分类模块,用于根据输入文本在给定的意图列表中进行分类。 支持中英文自动选择提示模板,并可通过示例、提示、约束和注意事项增强分类效果。
Parameters:
-
llm–用于意图分类的大语言模型实例。
-
intent_list(list, default:None) –可选,意图类别列表,例如 ["聊天", "天气", "问答"]。
-
prompt(str, default:'') –可选,自定义提示语,插入到系统提示模板中。
-
constrain(str, default:'') –可选,分类约束条件说明。
-
attention(str, default:'') –可选,提示注意事项。
-
examples(list[list[str, str]], default:None) –可选,分类示例列表,每个元素为 [输入文本, 标签]。
-
return_trace(bool, default:False) –是否返回执行过程的 trace,默认为 False。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import IntentClassifier
>>> classifier_llm = lazyllm.OnlineChatModule(source="openai")
>>> chatflow_intent_list = ["Chat", "Financial Knowledge Q&A", "Employee Information Query", "Weather Query"]
>>> classifier = IntentClassifier(classifier_llm, intent_list=chatflow_intent_list)
>>> classifier.start()
>>> print(classifier('What is the weather today'))
Weather Query
>>>
>>> with IntentClassifier(classifier_llm) as ic:
>>> ic.case['Weather Query', lambda x: '38.5°C']
>>> ic.case['Chat', lambda x: 'permission denied']
>>> ic.case['Financial Knowledge Q&A', lambda x: 'Calling Financial RAG']
>>> ic.case['Employee Information Query', lambda x: 'Beijing']
...
>>> ic.start()
>>> print(ic('What is the weather today'))
38.5°C
Source code in lazyllm/tools/classifier/intent_classifier.py
64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 | |
intent_promt_hook(input=None, history=[], tools=None, label=None)
意图分类的预处理 Hook。 将输入文本与意图列表打包为 JSON,并生成历史对话信息字符串。
Parameters:
-
input(str | List | Dict | None, default:None) –输入文本,仅支持字符串类型。
-
history(List, default:[]) –历史对话记录,默认为空列表。
-
tools(List[Dict] | None, default:None) –工具信息,可选。
-
label(str | None, default:None) –标签,可选。
Returns:
- tuple: 输入数据字典, 历史记录列表, 工具信息, 标签
Source code in lazyllm/tools/classifier/intent_classifier.py
post_process_result(input)
意图分类结果的后处理。 如果结果在意图列表中则直接返回,否则返回意图列表的第一个元素。
Parameters:
-
input(str) –分类模型输出结果。
Returns:
- str: 最终的分类标签。
Source code in lazyllm/tools/classifier/intent_classifier.py
lazyllm.tools.Document
Bases: ModuleBase, BuiltinGroups
初始化一个文档管理模块,支持可选的向量化、存储和用户界面。
Document 模块提供了统一的文档数据集管理接口,支持本地文件、云端文件或临时文档文件。它可以选择运行文档管理服务或 Web UI,并支持多种向量化模型和自定义存储后端。
Parameters:
-
dataset_path(Optional[str], default:None) –数据集目录路径。如果路径不存在,系统会尝试在
lazyllm.config["data_path"]中查找。 -
embed(Optional[Union[Callable, Dict[str, Callable]]], default:None) –文档向量化函数或函数字典。若为字典,键为 embedding 名称,值为对应的模型。
-
create_ui(bool, default:False) –是否创建文档管理 UI。该能力要求当前存在可用的
DocServer,可与manager=True或manager=DocServer(...)组合使用。 -
manager(Union[bool, str, DocServer, DocumentProcessor], default:False) –文档管理模式。
True表示启动本地DocServer及其 parsing service;DocServer(...)表示连接已有文档管理服务;DocumentProcessor(...)表示仅连接解析服务,此时必须提供非 map 的store_conf;'ui'仅作为manager=True, create_ui=True的兼容写法保留。 -
server(Union[bool, int], default:False) –是否为知识库运行服务接口。
True表示启动默认服务;整型数值表示自定义端口;False表示关闭。默认为False。 -
name(Optional[str], default:None) –文档集合的名称标识符。默认为系统默认名称。
-
launcher(Optional[LazyLLMLaunchersBase], default:None) –启动器实例,用于管理服务进程。默认使用远程异步启动器。
-
doc_files(Optional[List[str]], default:None) –临时文档文件列表。当使用此参数时,
dataset_path必须为None,且仅支持 MapStore。 -
doc_fields(Optional[Dict[str, GlobalMetadataDesc]], default:None) –元数据字段配置,用于存储和检索文档属性。
-
store_conf(Optional[Dict], default:None) –存储配置。默认使用内存中的 MapStore。
-
display_name(Optional[str], default:'') –文档模块的可读显示名称。默认为集合名称。
-
description(Optional[str], default:'algorithm description') –文档集合的描述。默认为
"algorithm description"。 -
schema_extractor(Optional[Union[LLMBase, SchemaExtractor]], default:None) –可选 schema extractor,用于元数据 schema 分析与注册。
-
enable_path_monitoring(Optional[bool], default:None) –是否监控本地数据目录的文件新增和删除。仅在未接入
DocServer/DocumentProcessor的本地模式下默认开启。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False) # or documents = Document(dataset_path='your_doc_path', embed={"key": m}, manager=False)
>>> m1 = lazyllm.TrainableModule("bge-large-zh-v1.5").start()
>>> document1 = Document(dataset_path='your_doc_path', embed={"online": m, "local": m1}, manager=False)
>>> store_conf = {
>>> "segment_store": {
>>> "type": "map",
>>> "kwargs": {
>>> "uri": "/tmp/tmp_segments.db",
>>> },
>>> },
>>> "vector_store": {
>>> "type": "milvus",
>>> "kwargs": {
>>> "uri": "/tmp/tmp_milvus.db",
>>> "index_kwargs": {
>>> "index_type": "FLAT",
>>> "metric_type": "COSINE",
>>> },
>>> },
>>> },
>>> }
>>> doc_fields = {
>>> 'author': DocField(data_type=DataType.VARCHAR, max_size=128, default_value=' '),
>>> 'public_year': DocField(data_type=DataType.INT32),
>>> }
>>> document2 = Document(dataset_path='your_doc_path', embed={"online": m, "local": m1}, store_conf=store_conf, doc_fields=doc_fields)
Source code in lazyllm/tools/rag/document.py
43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 | |
activate_group(group_name, embed_keys=None, enable_embed=True)
激活指定的知识库分组,并可选择指定要启用的 embedding key。
激活后,文档模块会在该分组下执行检索和存储操作。如果未指定 embedding key,则默认启用所有可用的 embedding。
Parameters:
-
group_name(str) –要激活的知识库分组名称。
-
embed_keys(Optional[Union[str, List[str]]], default:None) –需要启用的 embedding key,可以是单个字符串或字符串列表。默认为空列表,表示启用全部 embedding。
Source code in lazyllm/tools/rag/document.py
activate_groups(groups, **kwargs)
批量激活多个知识库分组。
该方法会依次调用 activate_group 来激活传入的所有分组。
Parameters:
-
groups(Union[str, List[str]]) –要激活的分组名称或分组名称列表。
Source code in lazyllm/tools/rag/document.py
add_reader(pattern, func=None)
用于实例指定文件读取器,作用范围仅对注册的 Document 对象可见。注册的文件读取器必须是 Callable 对象。只能通过函数调用的方式进行注册。并且通过实例注册的文件读取器的优先级高于通过类注册的文件读取器,并且实例和类注册的文件读取器的优先级高于系统默认的文件读取器。即优先级的顺序是:实例文件读取器 > 类文件读取器 > 系统默认文件读取器。
Parameters:
-
pattern(str) –文件读取器适用的匹配规则
-
func(Callable, default:None) –文件读取器,必须是Callable的对象
Examples:
>>> from lazyllm.tools.rag import Document, DocNode
>>> from lazyllm.tools.rag.readers import ReaderBase
>>> class YmlReader(ReaderBase):
... def _load_data(self, file, fs=None):
... try:
... import yaml
... except ImportError:
... raise ImportError("yaml is required to read YAML file: `pip install pyyaml`")
... with open(file, 'r') as f:
... data = yaml.safe_load(f)
... print("Call the class YmlReader.")
... return [DocNode(text=data)]
...
>>> def processYml(file):
... with open(file, 'r') as f:
... data = f.read()
... print("Call the function processYml.")
... return [DocNode(text=data)]
...
>>> doc1 = Document(dataset_path="your_files_path")
>>> doc2 = Document(dataset_path="your_files_path")
>>> doc1.add_reader("**/*.yml", YmlReader)
>>> print(doc1._impl._local_file_reader)
{'**/*.yml': <class '__main__.YmlReader'>}
>>> print(doc2._impl._local_file_reader)
{}
>>> files = ["your_yml_files"]
>>> Document.register_global_reader("**/*.yml", processYml)
>>> doc1._impl._reader.load_data(input_files=files)
Call the class YmlReader.
>>> doc2._impl._reader.load_data(input_files=files)
Call the function processYml.
Source code in lazyllm/tools/rag/document.py
analyze_schema_by_llm(kb_id=None, doc_ids=None)
用于使用大模型为文档管理模块中特定的知识库或文档集合自动抽取字段集合,返回自动生成的Pydantic Model。 支持传入特定知识库id和文档id列表。
Parameters:
-
kb_id(Optional[str], default:None) –目标知识库id
-
doc_ids(Optional[List[str]], default:None) –目标文档id列表
Source code in lazyllm/tools/rag/document.py
clear_cache(group_names=None)
清理缓存。
该方法用于清理文档模块的缓存,可以指定要清理的分组名称列表。如果未指定分组名称,则默认清理所有分组的缓存。
Parameters:
-
group_names(Optional[List[str]], default:None) –需要清理缓存的分组名称列表。默认为
None,表示清理全部缓存。
Source code in lazyllm/tools/rag/document.py
connect_sql_manager(sql_manager, schma=None, force_refresh=True)
.. deprecated:: 已废弃,请直接使用 SchemaExtractor。
此方法已移除,请使用 SchemaExtractor 配合 register_schema_set 替代。
Source code in lazyllm/tools/rag/document.py
create_kb_group(name, doc_fields=None, store_conf=None)
创建一个新的知识库分组(KB Group),并返回绑定到该分组的文档对象。
知识库分组用于在同一个文档模块中划分不同的文档集合,每个分组可以有独立的字段定义和存储配置。
Parameters:
-
name(str) –知识库分组的名称。
-
doc_fields(Optional[Dict[str, GlobalMetadataDesc]], default:None) –文档字段定义。指定每个字段的名称、类型和描述。
-
store_conf(Optional[Dict], default:None) –存储配置,用于定义存储后端及其参数。
Returns:
- Document: 一个绑定到新建知识库分组的文档对象副本。
Source code in lazyllm/tools/rag/document.py
create_node_group(name=None, *, transform, parent=LAZY_ROOT_NAME, trans_node=None, num_workers=0, display_name=None, ref=None, group_type=NodeGroupType.CHUNK, lazy_mode=None, **kwargs)
创建一个由指定规则生成的 node group。
Parameters:
-
name(str, default:None) –node group 的名称。
-
transform(Callable) –将 node 转换成 node group 的转换规则,函数原型是
(DocNode, group_name, **kwargs) -> List[DocNode]。目前内置的有 SentenceSplitter。用户也可以自定义转换规则。 -
trans_node(bool, default:None) –决定了transform的输入和输出是
DocNode还是str,默认为None。只有在transform为Callable时才可以设置为true。 -
num_workers(int, default:0) –Transform时所用的新线程数量,默认为0
-
parent(str, default:LAZY_ROOT_NAME) –需要进一步转换的节点。转换之后得到的一系列新的节点将会作为该父节点的子节点。如果不指定则从根节点开始转换。
-
ref(str, default:None) –当前节点组引用的其他节点组名称。引用的节点组必须是父节点组的后代。在转换时,ref 指定的节点组中的相关节点会作为参数传递给 transform 函数(如果 transform 函数支持 ref 参数)。
-
kwargs–和具体实现相关的参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, SentenceSplitter
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="sentences", transform=SentenceSplitter, chunk_size=1024, chunk_overlap=100)
>>> # Example with ref parameter: create a node group that references another group
>>> documents.create_node_group(name="fine_chunks", parent="sentences",
... transform=SentenceSplitter, chunk_size=128, chunk_overlap=12)
>>> def transform_with_ref(text, ref):
... # ref contains nodes from the referenced group
... return "
".join(ref)
>>> documents.create_node_group(name="summary_chunks", parent="sentences",
... transform=transform_with_ref, ref="fine_chunks")
Source code in lazyllm/tools/rag/document.py
drop_algorithm()
extract_db_schema(llm=None, print_schema=False)
基于文档数据集和大语言模型自动提取数据库表模式(schema)并注册。
Parameters:
-
llm(Union[OnlineChatModule, TrainableModule], default:None) –用于 schema 分析的 LLM,默认使用 SchemaExtractor 自带的 LLM。
-
print_schema(bool, default:False) –是否在日志中打印提取的 schema。默认为
False。
Source code in lazyllm/tools/rag/document.py
find(target)
查找目标。
该方法返回一个可调用对象,用于执行目标查找操作。它会延迟调用底层实现以获取指定的目标对象。
Parameters:
-
target–需要查找的目标。
Returns:
- Callable: 可调用对象,用于执行目标查找。
Source code in lazyllm/tools/rag/document.py
find_children(target)
查找目标的子节点。
该方法返回一个可调用对象,用于执行子节点查找操作。它会延迟调用底层实现以获取指定目标的所有子节点。
Parameters:
-
target–需要查找子节点的目标。
Returns:
- Callable: 可调用对象,用于执行子节点查找。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, SentenceSplitter
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="parent", transform=SentenceSplitter, chunk_size=1024, chunk_overlap=100)
>>> documents.create_node_group(name="children", transform=SentenceSplitter, parent="parent", chunk_size=1024, chunk_overlap=100)
>>> documents.find_children('parent')
Source code in lazyllm/tools/rag/document.py
find_parent(target)
查找目标的父节点。
该方法返回一个可调用对象,用于执行父节点查找操作。它会延迟调用底层实现以获取指定目标的父节点。
Parameters:
-
target–需要查找父节点的目标。
Returns:
- Callable: 可调用对象,用于执行父节点查找。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, SentenceSplitter
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="parent", transform=SentenceSplitter, chunk_size=1024, chunk_overlap=100)
>>> documents.create_node_group(name="children", transform=SentenceSplitter, parent="parent", chunk_size=1024, chunk_overlap=100)
>>> documents.find_parent('children')
Source code in lazyllm/tools/rag/document.py
get_embed()
获取 embedding 占位符对象。
该方法返回一个 embedding 层的占位符,用于延迟绑定具体的 embedding 实现。调用者可以基于此对象进行 embedding 相关的配置或扩展。
Returns:
- EmbedPlaceholder: embedding 占位符对象。
get_nodes(uids=None, doc_ids=None, group=None, kb_id=None, numbers=None, limit=None, offset=0, return_total=False, sort_by_number=False)
按条件获取节点列表。
Parameters:
-
uids(Optional[List[str]], default:None) –指定节点 uid 列表。
-
doc_ids(Optional[Set], default:None) –指定文档 id 集合。
-
group(Optional[str], default:None) –节点组名。
-
kb_id(Optional[str], default:None) –知识库 id。
-
numbers(Optional[Set], default:None) –节点编号集合。
Returns:
- List[DocNode]: 命中的节点列表。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document
>>> doc = Document()
>>> nodes = doc.get_nodes(doc_ids={'doc_1'}, group='CoarseChunk', kb_id='kb_1', numbers={1, 2})
Source code in lazyllm/tools/rag/document.py
get_sql_manager()
获取当前文档模块绑定的 SchemaExtractor 的 NL2SQL 管理器实例,可用于构建 SqlCall。
Returns:\n - SqlManager: SQL 管理器实例。
Source code in lazyllm/tools/rag/document.py
get_store()
获取存储占位符对象。
该方法返回一个存储层的占位符,用于延迟绑定具体的存储实现。调用者可以基于此对象进行存储相关的配置或扩展。
Returns:
- StorePlaceholder: 存储占位符对象。
get_window_nodes(node, span=(-5, 5), merge=False)
获取指定节点在同一文档内的窗口节点。
Parameters:
-
node(DocNode) –目标节点。
-
span(tuple[int, int], default:(-5, 5)) –窗口范围,基于 node.number 的相对偏移。
-
merge(bool, default:False) –是否将窗口节点合并为一个节点返回。
Returns:
- Union[List[DocNode], DocNode]: 窗口节点列表,或合并后的单节点。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document
>>> doc = Document()
>>> node = doc.get_nodes(doc_ids={'doc_1'}, group='CoarseChunk', kb_id='kb_1', numbers={10})[0]
>>> window_nodes = doc.get_window_nodes(node, span=(-2, 2), merge=False)
Source code in lazyllm/tools/rag/document.py
keyword_search(group, keyword, doc_id='', kb_id=None, phrase=True, sort_by='score', size=10, file_name=None)
在指定文档内做关键词精准匹配,与全库检索的 :meth:find 互补。
通过 doc_id 或 file_name 定位目标文档(二选一,file_name 优先),支持精确短语匹配或单词级匹配,可控制排序方式与返回数量。
Parameters:
-
group(str) –节点组名(如
"block"或"line")。 -
keyword(str) –待匹配的关键词或短语。
-
doc_id(str, default:'') –目标文档 ID,默认为空字符串。与
file_name二选一,若同时提供则file_name优先。 -
kb_id(Optional[str], default:None) –知识库过滤条件(可选)。
-
phrase(bool, default:True) –True 为精确子串匹配,False 要求所有单词均出现。
-
sort_by(str, default:'score') –"score"按相关性排序,"number"按文档原始顺序排序。 -
size(int, default:10) –最大返回条数。
-
file_name(Optional[str], default:None) –按文件名过滤,与
doc_id二选一。提供此参数时doc_id被忽略。
Returns:
-
–
List[dict]: 命中的切片列表。
Source code in lazyllm/tools/rag/document.py
list_all_files_in_directory(dataset_path, skip_hidden_path=True, recursive=True)
staticmethod
列出指定目录路径中的所有文件。
该方法会以递归或非递归方式遍历目录并收集所有文件路径。可以选择跳过隐藏文件和目录(以 “.” 开头的)。如果传入的路径本身是文件,则返回仅包含该文件路径的列表。
Parameters:
-
dataset_path(str) –要列出文件列表的目录。
-
skip_hidden_path(bool, default:True) –是否跳过隐藏文件和目录(以 “.” 开头)。默认值为 True
-
recursive(bool, default:True) –是否递归搜索子目录。如果为 False,则只返回当前目录下的文件。默认值为 True。
Returns:
- List[str]: 绝对文件路径列表。如果路径不存在或不是目录,则返回空列表。
Source code in lazyllm/tools/rag/document.py
register_global_reader(pattern, func=None)
classmethod
用于指定文件读取器,作用范围对于所有的 Document 对象都可见。注册的文件读取器必须是 Callable 对象。可以使用装饰器的方式进行注册,也可以通过函数调用的方式进行注册。
Parameters:
-
pattern(str) –文件读取器适用的匹配规则
-
func(Callable, default:None) –文件读取器,必须是Callable的对象
Examples:
>>> from lazyllm.tools.rag import Document, DocNode
>>> @Document.register_global_reader("**/*.yml")
>>> def processYml(file):
... with open(file, 'r') as f:
... data = f.read()
... return [DocNode(text=data)]
...
>>> doc1 = Document(dataset_path="your_files_path")
>>> doc2 = Document(dataset_path="your_files_path")
>>> files = ["your_yml_files"]
>>> docs1 = doc1._impl._reader.load_data(input_files=files)
>>> docs2 = doc2._impl._reader.load_data(input_files=files)
>>> print(docs1[0].text == docs2[0].text)
# True
Source code in lazyllm/tools/rag/document.py
register_index(index_type, index_cls, *args, **kwargs)
注册索引类型。
该方法允许用户为文档模块注册新的索引类型,以便扩展检索能力。注册后,可以通过索引类型来调用对应的索引实现。
Parameters:
-
index_type(str) –索引类型的名称。
-
index_cls(IndexBase) –索引类,需继承自
IndexBase。 -
*args–初始化索引类时的可变参数。
-
**kwargs–初始化索引类时的关键字参数。
Source code in lazyllm/tools/rag/document.py
register_schema_set(schema_set, kb_id=DEFAULT_KB_ID, force_refresh=False)
手动注册一个 Pydantic Model 作为当前算法的字段集合(schema),并绑定到指定知识库。
如果该知识库已绑定其他 schema,默认会报错;传入 force_refresh=True 则会替换旧绑定并清理旧数据。
Parameters:
-
schema_set(Type[BaseModel]) –要注册的 Pydantic 模型,用作 schema 定义。
-
kb_id(Optional[str], default:DEFAULT_KB_ID) –目标知识库 ID,默认为
DEFAULT_KB_ID。 -
force_refresh(bool, default:False) –若已有绑定,是否强制刷新并覆盖。默认
False。
Returns:
-
str(str) –生成的 schema_set_id。
Source code in lazyllm/tools/rag/document.py
update_database(llm=None)
使用 SchemaExtractor 解析文档并将提取的信息更新到数据库。
Parameters:
-
llm(Union[OnlineChatModule, TrainableModule], default:None) –用于信息抽取的 LLM,默认使用 SchemaExtractor 自带的 LLM。
Source code in lazyllm/tools/rag/document.py
lazyllm.tools.rag.store.ChromaStore
Bases: EmbedResolveMixin, LazyLLMStoreBase
ChromaStore 是基于 Chroma 的向量存储实现,继承自 LazyLLMStoreBase,支持向量写入、检索与持久化。
Parameters:
-
uri(Optional[str], default:None) –Chroma 连接 URI,当未指定
dir时必填。 -
dir(Optional[str], default:None) –本地持久化存储路径,提供时使用 PersistentClient 模式。
-
index_kwargs(Optional[Union[Dict, List]], default:None) –Collection 配置参数,如索引类型、距离度量方式等。
-
client_kwargs(Optional[Dict], default:None) –传递给 Chroma 客户端的额外参数。
-
**kwargs–预留扩展参数。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 | |
dir
property
存储目录属性。
Returns:
- Optional[str]: 以斜杠结尾的目录路径,若未配置则返回 None。
connect(embed_dims=None, embed_datatypes=None, embed=None, global_metadata_desc=None, **kwargs)
初始化 Chroma 客户端并配置向量化及元数据相关设定。
Parameters:
-
embed_dims(Optional[Dict[str, int]], default:None) –每个嵌入键对应的向量维度,未提供时默认为空字典。
-
embed_datatypes(Optional[Dict[str, DataType]], default:None) –每个嵌入键的数据类型,仅支持 FLOAT_VECTOR 或 SPARSE_FLOAT_VECTOR。
-
global_metadata_desc(Optional[Dict[str, GlobalMetadataDesc]], default:None) –全局元数据字段的描述,支持类型:字符串、整型、浮点型、布尔型。
-
**kwargs–预留扩展参数。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
delete(collection_name, criteria=None, **kwargs)
删除整个集合或指定记录。
Parameters:
-
collection_name(str) –要删除的集合名称。
-
criteria(Optional[dict], default:None) –若为 None,则删除整个集合;否则按字典条件删除匹配的记录(例如按 doc_id、uid、kb_id 删除)。
-
**kwargs–预留扩展参数。
Returns:
- bool: 删除成功返回 True,否则返回 False。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
get(collection_name, criteria=None, **kwargs)
根据条件检索记录。
Parameters:
-
collection_name(str) –要查询的集合名称。
-
criteria(Optional[dict], default:None) –过滤条件,如主键或元数据(例如 doc_id、kb_id)。若为 None,则返回集合中所有记录。
Returns:
- List[dict]: 记录列表,每条记录包含:
- 'uid': 记录的唯一标识符。
- 'global_meta': 全局元数据字段的字典。
- 'embedding': 嵌入键到对应向量的映射。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
search(collection_name, query_embedding, embed_key, topk=10, filters=None, **kwargs)
执行向量相似度检索。
Parameters:
-
collection_name(str) –要查询的集合名称。
-
query_embedding(List[float]) –用于检索的向量。
-
embed_key(str) –指定使用的向量空间 key。
-
topk(int, default:10) –返回的结果数量,默认为 10。
-
filters(Optional[Dict[str, Union[str, int, List, Set]]], default:None) –可选的元数据过滤条件,用于限制检索结果。
Returns:
- List[dict]: 匹配结果列表,每条记录包含:
- 'uid': 匹配记录的唯一标识符。
- 'score': 相似度分数(1 - 距离)。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
upsert(collection_name, data)
批量写入或更新记录(切片的id及向量数据)到 Chroma。
Parameters:
-
collection_name(str) –集合名称。
-
data(List[dict]) –文档切片数据列表。
Returns:
- bool: 操作成功返回 True,否则 False。
Source code in lazyllm/tools/rag/store/vector/chroma_store.py
lazyllm.tools.rag.store.MilvusStore
Bases: EmbedResolveMixin, LazyLLMStoreBase
基于 Milvus 的向量存储实现,继承自 StoreBase。支持向量写入、删除、相似度检索,兼容标量过滤。
Parameters:
-
uri(str, default:'') –Milvus 连接 URI(如 "tcp://localhost:19530")。如果为本地路径则使用milvus-lite,否则为远程模式(需要独立部署milvus服务,例如standalone/distributed版本)。
-
db_name(str, default:'lazyllm') –Milvus 中使用的数据库名称,默认为 "lazyllm"。
-
index_kwargs(Optional[Union[Dict, List]], default:None) –索引创建参数(例如 {"index_type": "IVF_FLAT", "metric_type": "CONSINE"} ,支持按向量模型的key配置列表)。
-
client_kwargs(Optional[Dict], default:None) –传递给 milvus 客户端的额外参数。
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 | |
dir
property
存储目录属性,基于 URI 推断。远程模式返回 None。
Returns:
- Optional[str]: 本地 milvus.db 文件的目录路径,或 None。
connect(embed_dims=None, embed_datatypes=None, embed=None, global_metadata_desc=None, **kwargs)
初始化 Milvus 客户端,传入向量化模型参数和全局元数据描述。
Parameters:
-
embed_dims(Dict[str, int], default:None) –每个嵌入键对应的向量维度。
-
embed_datatypes(Dict[str, DataType], default:None) –每个嵌入键的数据类型。
-
global_metadata_desc(Dict[str, GlobalMetadataDesc], default:None) –全局元数据字段的描述。
-
kwargs–其他连接参数
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
delete(collection_name, criteria=None, **kwargs)
删除整个集合或按条件删除指定记录。
Parameters:
-
collection_name(str) –目标集合名称。
-
criteria(Optional[dict], default:None) –若为 None 则删除整个集合;否则按 uid 列表或元数据条件过滤。
-
kwargs–其他查询参数
Returns:
- bool: 如果删除成功返回True,否则返回False。
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
get(collection_name, criteria=None, **kwargs)
检索匹配主键或元数据过滤条件的记录。
Parameters:
-
collection_name(str) –待查询集合。
-
criteria(Optional[dict], default:None) –包含 'uid' 列表或元数据字段过滤条件。
-
kwargs–其他查询参数
Returns:
- List[dict]: 每项包含 'uid' 及 'embedding' 映射。
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
search(collection_name, query_embedding, topk, filters=None, embed_key=None, filter_str='', **kwargs)
执行向量相似度检索,并可按元数据过滤。
Parameters:
-
collection_name(str) –待搜索集合。
-
query_embedding(List[float]) –查询向量。
-
topk(int) –返回邻近数量。
-
filters(Optional[Dict[str, Union[List, Set]]], default:None) –元数据过滤映射。
-
embed_key(str, default:None) –使用的嵌入字段。
-
filter_str(Optional[str], default:'') –Filter expression string. Defaults to empty string
-
kwargs–Other search parameters
Returns:
- List[dict]: 每项包含 'uid' 及相似度 'score'。
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
upsert(collection_name, data)
批量写入或更新切片数据到 Milvus 集合。
Parameters:
-
collection_name(str) –集合名称,通常为 "group_embedKey" 格式。
-
data(List[dict]) –切片数据列表。
Returns:
- bool: 操作成功返回 True,否则 False。
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
validate_milvus_embed_keys(index_kwargs)
Validate and preprocess the index_kwargs of milvus store_conf: 1. Auto fill the only one missing embed_key into the configuration without embed_key; 2. The embed_key in self._embed must be a subset of the embed_key in store_conf; 3. store_conf can contain additional embed_key; 4. Duplicate embed_key is forbidden; 5. If multiple embed_key are missing, raise an error.
Source code in lazyllm/tools/rag/store/vector/milvus_store.py
lazyllm.tools.rag.store.hybrid.hybrid_store.HybridStore
Bases: LazyLLMStoreBase
混合存储类,结合了分段存储和向量存储的功能。
Parameters:
-
segment_store(LazyLLMStoreBase) –分段存储实例,用于存储文档的原始内容。
-
vector_store(LazyLLMStoreBase) –向量存储实例,用于存储文档的向量表示。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 | |
connect(*args, **kwargs)
连接到底层的分段存储和向量存储。
Parameters:
-
*args–传递给存储连接方法的位置参数。
-
**kwargs–传递给存储连接方法的关键字参数。
delete(collection_name, criteria=None, **kwargs)
从存储中删除数据。
Parameters:
-
collection_name(str) –集合名称。
-
criteria(Optional[dict], default:None) –删除条件,默认为None。
-
**kwargs–其他参数。
Returns:
- bool: 操作成功返回True,否则返回False。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
drop_collection(collection_name)
删除指定集合,同时从分段存储和向量存储中移除对应数据。
Parameters:
-
collection_name(str) –要删除的集合名称。
Returns:
- bool: 若两个底层存储均成功删除则返回
True,任意一个失败则返回False。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
get(collection_name, criteria=None, **kwargs)
从存储中获取数据。
Parameters:
-
collection_name(str) –集合名称。
-
criteria(Optional[dict], default:None) –查询条件,默认为None。
-
**kwargs–其他参数。
Returns:
- List[dict]: 返回符合条件的数据列表。
Raises:
-
ValueError–当向量存储中的uid在分段存储中找不到时抛出。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
search(collection_name, query, query_embedding=None, topk=10, filters=None, embed_key=None, **kwargs)
在存储中搜索数据。
Parameters:
-
collection_name(str) –集合名称。
-
query(str) –搜索查询字符串。
-
query_embedding(Optional[Union[dict, List[float]]], default:None) –查询的向量表示,默认为None。
-
topk(int, default:10) –返回的最大结果数量,默认为10。
-
filters(Optional[Dict[str, Union[str, int, List, Set]]], default:None) –过滤条件,默认为None。
-
embed_key(Optional[str], default:None) –嵌入向量的键名,默认为None。
-
**kwargs–其他参数。
Returns:
- List[dict]: 返回搜索结果列表。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
seg_connect(*args, **kwargs)
连接底层分段存储。
与 connect() 不同,seg_connect() 仅初始化 segment_store,不会触发向量存储的连接逻辑。
DocumentStore 在 _seg_init() 阶段调用此方法,通常传入 global_metadata_desc 以注册全局元数据字段。
Parameters:
-
*args–传递给
segment_store.connect()的位置参数。 -
**kwargs–传递给
segment_store.connect()的关键字参数,常见包括global_metadata_desc(全局元数据 schema 描述)。
Returns:
- None
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
upsert(collection_name, data)
向存储中插入或更新数据。
Parameters:
-
collection_name(str) –集合名称。
-
data(List[dict]) –要插入或更新的数据列表,每个数据项都是一个字典。
Returns:
- bool: 操作成功返回True,否则返回False。
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
vec_connect(*args, **kwargs)
连接底层向量存储。
与 connect() 不同,vec_connect() 仅初始化 vector_store,不会触发分段存储的连接逻辑。
DocumentStore 在 _vec_init() 阶段调用此方法,通常传入 embed_dims、embed_datatypes、
collections 和 global_metadata_desc,以便向量后端创建或校验 collection schema。
Parameters:
-
*args–传递给
vector_store.connect()的位置参数。 -
**kwargs–传递给
vector_store.connect()的关键字参数,常见包括embed_dims(各 embed key 的向量维度)、embed_datatypes(各 embed key 的数据类型)、global_metadata_desc(全局元数据 schema 描述)、collections(需要预创建的 collection 名称列表)。
Returns:
- None
Source code in lazyllm/tools/rag/store/hybrid/hybrid_store.py
lazyllm.tools.rag.store.hybrid.oceanbase_store.OceanBaseStore
Bases: EmbedResolveMixin, LazyLLMStoreBase
OceanBase 存储类,用于存储和检索文档节点。
Parameters:
-
uri(str, default:'127.0.0.1:2881') –OceanBase 数据库的 URI。
-
user(str) –OceanBase 数据库的用户名。
-
password(str) –OceanBase 数据库的密码。
-
db_name(str, default:'test') –OceanBase 数据库的名称。
-
drop_old(bool) –是否删除旧的表。
-
index_kwargs(List[dict], default:None) –索引配置列表。
-
client_kwargs(Dict, default:None) –客户端配置字典。
-
max_pool_size(int) –最大连接池大小。
-
normalize(bool) –是否规范化数据。
-
enable_fulltext_index(bool) –是否启用全文索引。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 | |
connect(embed_dims=None, embed_datatypes=None, embed=None, global_metadata_desc=None, **kwargs)
连接到底层的 OceanBase 数据库。
Parameters:
-
embed_dims(Dict[str, int], default:None) –嵌入维度字典。
-
embed_datatypes(Dict[str, DataType], default:None) –嵌入数据类型字典。
-
global_metadata_desc(Dict[str, GlobalMetadataDesc], default:None) –全局元数据描述字典。
-
**kwargs–其他参数。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
delete(collection_name, criteria=None, **kwargs)
从存储中删除数据。
Parameters:
-
collection_name(str) –集合名称。
-
criteria(Optional[dict], default:None) –删除条件,默认为None。
-
**kwargs–其他参数。
Returns:
- bool: 操作成功返回True,否则返回False。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
get(collection_name, criteria=None, **kwargs)
从存储中获取数据。
Parameters:
-
collection_name(str) –集合名称。
-
criteria(Optional[dict], default:None) –查询条件,默认为None。
-
**kwargs–其他参数。
Returns:
- List[dict]: 返回符合条件的数据列表。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
search(collection_name, query, query_embedding, topk, filters=None, embed_key=None, filter_str='', **kwargs)
在存储中搜索数据。
Parameters:
-
collection_name(str) –集合名称。
-
query_embedding(Union[dict, List[float]]) –查询的向量表示。
-
topk(int) –返回的最大结果数量。
-
filters(Optional[Dict[str, Union[str, int, List, Set]]], default:None) –过滤条件,默认为None。
-
embed_key(Optional[str], default:None) –嵌入向量的键名,默认为None。
-
filter_str(Optional[str], default:'') –过滤条件字符串,默认为None。
-
**kwargs–其他参数。
Returns:
- List[dict]: 返回搜索结果列表。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 | |
upsert(collection_name, data, range_part=None, **kwargs)
向存储中插入或更新数据。
Parameters:
-
collection_name(str) –集合名称。
-
data(List[dict]) –要插入或更新的数据列表,每个数据项都是一个字典。
-
range_part(Optional[RangeListPartInfo], default:None) –范围分区信息,暂未实现分区功能。
-
**kwargs–其他参数。
Returns:
- bool: 操作成功返回True,否则返回False。
Source code in lazyllm/tools/rag/store/hybrid/oceanbase_store.py
160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 | |
lazyllm.tools.rag.store.ElasticSearchStore
Bases: LazyLLMStoreBase
基于 Elasticsearch 的向量存储实现,继承自 StoreBase。支持向量写入、删除、相似度检索,兼容标量过滤。 Args: uris (List[str]): Elasticsearch 连接 URI(如 ["http://localhost:9200"])。 client_kwargs (Optional[Dict]): 传递给 Elasticsearch 客户端的额外参数。 index_kwargs (Optional[Union[Dict, List]]): 索引创建参数(例如 {"index_type": "IVF_FLAT", "metric_type": "CONSINE"} ,支持按向量模型的key配置列表)。 **kwargs: 预留扩展参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.store import ElasticSearchStore
>>> store = ElasticSearchStore(uris=["localhost:9200"], client_kwargs={}, index_kwargs={})
>>> store.connect(embed_dims={"vec_dense": 128, "vec_sparse": 128}, embed_datatypes={"vec_dense": DataType.FLOAT32, "vec_sparse": DataType.FLOAT32}, global_metadata_desc={})
>>> store.upsert(collection_name="test", data=[{"uid": "1", "embedding": {"vec_dense": [0.1, 0.2, 0.3], "vec_sparse": {"1": 0.1, "2": 0.2, "3": 0.3}}, "metadata": {"key1": "value1", "key2": "value2"}}])
>>> store.get(collection_name="test", criteria={"uid": "1"})
>>> store.delete(collection_name="test", criteria={"uid": "1"})
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 | |
dir
property
远程模式返回 None。 Returns:
Optional[str]: None。
connect(global_metadata_desc=None, **kwargs)
初始化 Elasticsearch 客户端,传入向量化模型参数和全局元数据描述。 Args: embed_dims (Dict[str, int]): 每个嵌入键对应的向量维度。 embed_datatypes (Dict[str, DataType]): 每个嵌入键的数据类型。 global_metadata_desc (Dict[str, GlobalMetadataDesc]): 全局元数据字段的描述。 Returns:
bool: 操作成功返回 True,否则 False。
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
delete(collection_name=None, criteria=None, **kwargs)
删除整个集合或按条件删除指定记录。 Args: collection_name (str): 目标集合名称。 criteria (Optional[dict]): 若为 None 则删除整个集合;否则按 uid 列表或元数据条件过滤。 Returns:
bool: 删除成功返回 True,否则 False。
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
get(collection_name, criteria=None, **kwargs)
检索匹配主键或元数据过滤条件的记录。 Args: collection_name (str): 待查询集合。 criteria (Optional[dict]): 包含 'uid' 列表或元数据字段过滤条件。 Returns:
List[dict]: 每项包含 'uid' 及 'embedding' 映射。
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
search(collection_name, query, topk=10, filters=None, **kwargs)
执行向量相似度检索,并可按元数据过滤。 Args: collection_name (str): 待搜索集合。 query (Optional[str]): 查询字符串。 topk (Optional[int]): 返回邻近数量。 filters (Optional[dict]): 元数据过滤映射。 kwargs: 其他搜索参数
Returns:
- List[dict]: 返回匹配结果列表及相似度 'score'。
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
upsert(collection_name=None, data=None)
批量写入或更新切片数据到 Elasticsearch 集合。 Args: collection_name (str): 集合名称,通常为 "group_embedKey" 格式。 data (List[dict]): 切片数据列表。 Returns:
bool: 操作成功返回 True,否则 False。
Source code in lazyllm/tools/rag/store/segment/elasticsearch_store.py
lazyllm.tools.rag.readers.ReaderBase
Bases: ModuleBase
基础文档读取器类,提供文档加载的基本接口。继承自 ModuleBase,使用 LazyLLMRegisterMetaClass 作为元类。
所有 Reader 在 reader(file, ...) 时可选启用算法端内容缓存:将解析完成后的 List[DocNode] 写入
ModuleCache,相同文件内容与 Reader 配置再次调用时直接返回缓存,跳过 _load_data 及下游 OCR 请求。
全局开关为 lazyllm.config['reader_use_cache'](环境变量 LAZYLLM_READER_USE_CACHE,默认 False)。
缓存与 OCR 服务端 use_cache 为两层独立机制:
- 算法端内容缓存(本类):缓存
DocNode列表,由lazyllm.config['reader_use_cache']控制。 - OCR 服务端缓存(如 MineruPDFReader):OCR Reader
_load_data(..., use_cache=...),默认True。
缓存键由 Reader 类型、appendix_hash_key(子类配置,如 OCR URL/backend)、文件
mtime 与 st_size 及 extra_info 等调用参数共同决定;文件修改后(mtime/size 变化)自动 miss。
存储后端复用 ModuleCache,由全局配置选择:
LAZYLLM_CACHE_STRATEGY:memory(默认)/file/sqlite/redisLAZYLLM_CACHE_MODE:RW/RO/WO/NONELAZYLLM_CACHE_DIR:缓存根目录,默认~/.lazyllm/cache;sqlite策略下 db 为{CACHE_DIR}/module/cache.db
Parameters:
-
*args–位置参数,保留给子类或父类使用。
-
return_trace(bool, default:True) –是否返回处理过程的追踪信息,默认为 True。
-
**kwargs–关键字参数,保留给子类或父类使用。
Examples:
from lazyllm.tools.rag.readers.readerBase import LazyLLMReaderBase
from lazyllm.tools.rag.doc_node import DocNode
from typing import Iterable
class CustomReader(LazyLLMReaderBase):
def _lazy_load_data(self, file_paths: list, **kwargs) -> Iterable[DocNode]:
for file_path in file_paths:
# Process each file and yield DocNode
content = self._read_file(file_path)
yield DocNode(
text=content,
metadata={"source": file_path}
)
# Create reader instance
reader = CustomReader(return_trace=True)
# Load documents
documents = reader.forward(file_paths=["doc1.txt", "doc2.txt"])
Source code in lazyllm/tools/rag/readers/readerBase.py
92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 | |
clear_encoding_cache()
classmethod
清空编码缓存。
Parameters:
-
file_path(str) –文件路径。
-
fs(AbstractFileSystem) –文件系统。
-
sample_size(int) –样本大小。
-
use_cache(bool) –是否使用缓存。
-
enable_chardet(bool) –是否启用 chardet。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> reader.clear_encoding_cache()
Source code in lazyllm/tools/rag/readers/readerBase.py
detect_encoding(file_path, fs=None, sample_size=10000, use_cache=True, enable_chardet=True)
classmethod
检测文件的编码。
Parameters:
-
file_path(str) –文件路径。
-
fs(AbstractFileSystem, default:None) –文件系统。
-
sample_size(int, default:10000) –样本大小。
-
use_cache(bool, default:True) –是否使用缓存。
-
enable_chardet(bool, default:True) –是否启用 chardet。
Returns:
- str: 文件的编码。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> encoding = reader.detect_encoding("path/to/file.txt")
>>> print(encoding)
Source code in lazyllm/tools/rag/readers/readerBase.py
175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 | |
get_encoding_cache_stats()
classmethod
获取编码缓存统计信息。
Returns:
- dict: 编码缓存统计信息。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> stats = reader.get_encoding_cache_stats()
>>> print(stats)
Source code in lazyllm/tools/rag/readers/readerBase.py
lazyllm.tools.rag.readers.readerBase.LazyLLMReaderBase
Bases: ModuleBase
基础文档读取器类,提供文档加载的基本接口。继承自 ModuleBase,使用 LazyLLMRegisterMetaClass 作为元类。
所有 Reader 在 reader(file, ...) 时可选启用算法端内容缓存:将解析完成后的 List[DocNode] 写入
ModuleCache,相同文件内容与 Reader 配置再次调用时直接返回缓存,跳过 _load_data 及下游 OCR 请求。
全局开关为 lazyllm.config['reader_use_cache'](环境变量 LAZYLLM_READER_USE_CACHE,默认 False)。
缓存与 OCR 服务端 use_cache 为两层独立机制:
- 算法端内容缓存(本类):缓存
DocNode列表,由lazyllm.config['reader_use_cache']控制。 - OCR 服务端缓存(如 MineruPDFReader):OCR Reader
_load_data(..., use_cache=...),默认True。
缓存键由 Reader 类型、appendix_hash_key(子类配置,如 OCR URL/backend)、文件
mtime 与 st_size 及 extra_info 等调用参数共同决定;文件修改后(mtime/size 变化)自动 miss。
存储后端复用 ModuleCache,由全局配置选择:
LAZYLLM_CACHE_STRATEGY:memory(默认)/file/sqlite/redisLAZYLLM_CACHE_MODE:RW/RO/WO/NONELAZYLLM_CACHE_DIR:缓存根目录,默认~/.lazyllm/cache;sqlite策略下 db 为{CACHE_DIR}/module/cache.db
Parameters:
-
*args–位置参数,保留给子类或父类使用。
-
return_trace(bool, default:True) –是否返回处理过程的追踪信息,默认为 True。
-
**kwargs–关键字参数,保留给子类或父类使用。
Examples:
from lazyllm.tools.rag.readers.readerBase import LazyLLMReaderBase
from lazyllm.tools.rag.doc_node import DocNode
from typing import Iterable
class CustomReader(LazyLLMReaderBase):
def _lazy_load_data(self, file_paths: list, **kwargs) -> Iterable[DocNode]:
for file_path in file_paths:
# Process each file and yield DocNode
content = self._read_file(file_path)
yield DocNode(
text=content,
metadata={"source": file_path}
)
# Create reader instance
reader = CustomReader(return_trace=True)
# Load documents
documents = reader.forward(file_paths=["doc1.txt", "doc2.txt"])
Source code in lazyllm/tools/rag/readers/readerBase.py
92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 | |
clear_encoding_cache()
classmethod
清空编码缓存。
Parameters:
-
file_path(str) –文件路径。
-
fs(AbstractFileSystem) –文件系统。
-
sample_size(int) –样本大小。
-
use_cache(bool) –是否使用缓存。
-
enable_chardet(bool) –是否启用 chardet。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> reader.clear_encoding_cache()
Source code in lazyllm/tools/rag/readers/readerBase.py
detect_encoding(file_path, fs=None, sample_size=10000, use_cache=True, enable_chardet=True)
classmethod
检测文件的编码。
Parameters:
-
file_path(str) –文件路径。
-
fs(AbstractFileSystem, default:None) –文件系统。
-
sample_size(int, default:10000) –样本大小。
-
use_cache(bool, default:True) –是否使用缓存。
-
enable_chardet(bool, default:True) –是否启用 chardet。
Returns:
- str: 文件的编码。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> encoding = reader.detect_encoding("path/to/file.txt")
>>> print(encoding)
Source code in lazyllm/tools/rag/readers/readerBase.py
175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 | |
get_encoding_cache_stats()
classmethod
获取编码缓存统计信息。
Returns:
- dict: 编码缓存统计信息。
Examples:
>>> import lazyllm
>>> from lazyllm.tools.rag.readers import LazyLLMReaderBase
>>> reader = LazyLLMReaderBase()
>>> stats = reader.get_encoding_cache_stats()
>>> print(stats)
Source code in lazyllm/tools/rag/readers/readerBase.py
lazyllm.tools.rag.readers.readerBase.TxtReader
Bases: LazyLLMReaderBase
TxtReader 类用于从文本文件中加载内容,并将其封装为 DocNode 对象列表。
该类继承自 LazyLLMReaderBase,主要功能包括:
- 支持指定文本编码读取文件;
- 可选返回加载过程的跟踪信息;
- 继承算法端内容缓存(
lazyllm.config['reader_use_cache'])。
Parameters:
-
encoding(str, default:None) –文件读取的文本编码,默认值为 'utf-8'。
-
return_trace(bool, default:True) –是否返回加载过程的跟踪信息,默认值为 True。
-
auto_detect_encoding(bool, default:config['auto_detect_encoding']) –是否自动检测编码,默认读取
LAZYLLM_AUTO_DETECT_ENCODING。 -
enable_chardet(bool, default:config['enable_chardet']) –检测编码时是否启用 chardet,默认读取
LAZYLLM_ENABLE_CHARDET。 -
use_encoding_cache(bool, default:config['use_encoding_cache']) –是否缓存编码检测结果(类级缓存,与内容缓存无关)。
Source code in lazyllm/tools/rag/readers/readerBase.py
lazyllm.tools.rag.readers.PandasExcelReader
Bases: LazyLLMReaderBase
用于读取 Excel 文件(.xlsx),并将内容提取为文本。
Parameters:
-
concat_rows(bool, default:True) –是否将所有行拼接为一个文本块。
-
sheet_name(Optional[str], default:None) –要读取的工作表名称。若为 None,则读取所有工作表。
-
pandas_config(Optional[Dict], default:None) –pandas.read_excel 的可选配置项。
-
fill_method(Optional[str], default:'fillna') –缺失值填充策略,可选 'fillna'(default) / 'ffill' / 'bfill'。
-
return_trace(bool, default:True) –是否返回处理过程的 trace。
-
col_joiner(str, default:' ') –列之间的连接符,默认为空格。
Source code in lazyllm/tools/rag/readers/pandasReader.py
lazyllm.tools.rag.readers.PDFReader
Bases: _RichReader
用于读取 PDF 文件并提取其中的文本内容。
Parameters:
-
split_doc(bool, default:True) –若为 True(默认),则解析为一个
RichDocNode,可以搭配RichTransform解析出带有页信息的节点; 若为 False,则解析为一个纯文本的DocNode。 -
post_func(Optional[Callable[[List[DocNode]], List[DocNode]]], default:None) –结果后处理函数, 需返回
List[DocNode],并会将extra_info写入每个节点的global_metadata。 -
return_trace(bool, default:True) –是否返回处理过程的 trace,默认为 True。
-
return_full_document((bool, 已弃用), default:None) –此参数将在未来版本中删除,请使用
split_doc替代。
Notes
当 split_doc=True 时返回 RichDocNode,否则返回 DocNode,两种情况都只返回一个节点。
当 split_doc=True 时,强烈建议搭配 RichTransform 使用,可以解析出带有页信息等 metadata 的节点;
如不使用 RichTransform,则解析出的节点会回退为纯文本节点。
Source code in lazyllm/tools/rag/readers/pdfReader.py
lazyllm.tools.rag.readers.PPTXReader
Bases: LazyLLMReaderBase
用于解析 PPTX(PowerPoint)文件的读取器,能够提取幻灯片中的文本,并对嵌入图像进行视觉描述生成。
Parameters:
-
return_trace(bool, default:True) –是否记录处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/pptxReader.py
lazyllm.tools.rag.readers.VideoAudioReader
Bases: LazyLLMReaderBase
用于从视频或音频文件中提取语音内容的读取器,依赖 OpenAI 的 Whisper 模型进行语音识别。
Parameters:
-
model_version(str, default:'base') –Whisper 模型的版本(如 "base", "small", "medium", "large"),默认为 "base"。
-
return_trace(bool, default:True) –是否返回处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/videoAudioReader.py
lazyllm.tools.SqlManager
Bases: DBManager
SqlManager是与数据库进行交互的专用工具。它提供了连接数据库,设置、创建、检查数据表,插入数据,执行查询的方法。
Parameters:
-
db_type(str) –数据库类型,支持: postgresql, mysql, mssql, sqlite, mysql+pymysql
-
user(str) –数据库用户名
-
password(str) –数据库密码
-
host(str) –数据库主机地址
-
port(int) –数据库端口号
-
db_name(str) –数据库名称
-
options_str(str, default:None) –连接选项字符串,默认为None
-
tables_info_dict(Dict, default:None) –表结构信息字典,用于初始化表结构,默认为None
Source code in lazyllm/tools/sql/sql_manager.py
38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 | |
check_connection()
检查数据库连接状态。
测试与数据库的连接是否正常建立。
Returns:
- DBResult: DBResult.status 连接成功(True), 连接失败(False)。DBResult.detail 包含失败信息
Source code in lazyllm/tools/sql/sql_manager.py
create_table(table)
创建数据表
Parameters:
-
table(str / Type[DeclarativeBase] / DeclarativeMeta) –数据表schema。支持三种参数类型:类型为str的sql语句,继承自DeclarativeBase或继承自declarative_base()的ORM类
Source code in lazyllm/tools/sql/sql_manager.py
dispose()
Release the underlying engine's connection pool.
Needed so callers (e.g. DocServer._Impl.stop) can close sqlite file handles
before removing the containing directory; on Windows this is required, because
open handles block TemporaryDirectory cleanup.
Source code in lazyllm/tools/sql/sql_manager.py
drop_table(table)
删除数据表
Parameters:
-
table(str / Type[DeclarativeBase] / DeclarativeMeta) –数据表schema。支持三种参数类型:类型为str的数据表名,继承自DeclarativeBase或继承自declarative_base()的ORM类
Source code in lazyllm/tools/sql/sql_manager.py
execute_commit(statement)
执行SQL提交语句。
执行DDL或DML语句并自动提交事务,适用于CREATE、ALTER、INSERT、UPDATE、DELETE等操作。
Parameters:
-
statement(str) –要执行的SQL语句
Source code in lazyllm/tools/sql/sql_manager.py
execute_query(statement)
执行sql查询脚本并以JSON字符串返回结果。
Source code in lazyllm/tools/sql/sql_manager.py
get_all_tables()
获取数据库中所有表的列表。
刷新元数据后返回当前数据库中的所有表名。
Returns:
- List[str]: 数据库中所有表名的列表
get_session(session=None)
一个数据库会话上下文管理器。
默认(session=None)会创建一个新的 SQLAlchemy 会话并在上下文退出时自动提交;若上下文内部抛出异常则会自动回滚;无论是否成功,会话最终都会被关闭。
当传入一个外部 session 时,本上下文是透明的:会话被原样 yield,提交/回滚/关闭由最初打开它的 get_session 负责。上下文内部抛出的异常仍会向上传播,由外层 get_session 触发回滚,因此辅助方法可以通过可选的 session=None 参数参与调用方驱动的多步事务,而无需关心自己是否拥有该会话。
Parameters:
-
session(Optional[Session], default:None) –外部已打开的 SQLAlchemy 会话。为
None时创建并自管理一个新会话,否则透传使用。
Source code in lazyllm/tools/sql/sql_manager.py
get_table_orm_class(table_name)
根据表名获取对应的ORM类。
通过表名反射获取SQLAlchemy自动映射的ORM类。
Parameters:
-
table_name(str) –要获取的表名
Returns:
- sqlalchemy.ext.automap.Class: 对应的ORM类,如果表不存在返回None
Source code in lazyllm/tools/sql/sql_manager.py
insert_values(table_name, vals)
批量数据插入
Parameters:
-
table_name(str) –数据表名
-
vals(List[dict]) –待插入数据,格式为[{"col_name1": v01, "col_name2": v02, ...}, {"col_name1": v11, "col_name2": v12, ...}, ...]
Source code in lazyllm/tools/sql/sql_manager.py
paginate(query, *, page=1, page_size=20)
staticmethod
对一个 SQLAlchemy Query 应用基于 page 的分页。
会先将 page 与 page_size 截断到不小于 1,再对传入的查询做一次 COUNT 拿到不分页的总数,然后用 OFFSET/LIMIT 取当前页。返回形如 {'items', 'total', 'page', 'page_size'} 的字典。
返回的 items 是原始 SQLAlchemy 行对象——不做任何业务转换。调用方自行负责把行转换成所需格式(例如通过 _orm_to_dict),因此本工具可以被任意列表接口复用。
Parameters:
-
query(Query) –已经应用好所需
filter/order_by的 SQLAlchemyQuery。 -
page(int, default:1) –页码,从 1 开始;小于 1 时会被截断为 1。
-
page_size(int, default:20) –每页条数;小于 1 时会被截断为 1。
Source code in lazyllm/tools/sql/sql_manager.py
set_desc(tables_desc_dict={})
对于SqlManager搭配LLM使用自然语言查询的表项设置其描述,尤其当其表名、列名及取值不具有自解释能力时。 例如: 数据表Document的status列取值包括: "waiting", "working", "success", "failed",tables_desc_dict参数应为 {"Document": "status列取值包括: waiting, working, success, failed"}
Parameters:
-
tables_desc_dict(dict, default:{}) –表项的补充说明
Source code in lazyllm/tools/sql/sql_manager.py
lazyllm.tools.SqlCall
Bases: ModuleBase
SqlCall 是一个扩展自 ModuleBase 的类,提供了使用语言模型(LLM)生成和执行 SQL 查询的接口。 它设计用于与 SQL 数据库交互,从语言模型的响应中提取 SQL 查询,执行这些查询,并返回结果或解释。
Parameters:
-
llm–用于生成和解释 SQL 查询及解释的大语言模型。
-
sql_manager(DBManager) –数据库管理器实例,包含数据库连接和描述信息
-
sql_examples(str, default:'') –SQL示例字符串,用于提示工程。默认为空字符串
-
sql_post_func(Callable, default:None) –对生成的SQL语句进行后处理的函数。默认为
None -
use_llm_for_sql_result(bool, default:True) –是否使用LLM来解释SQL执行结果。默认为
True -
return_trace(bool, default:False) –是否返回执行跟踪信息。默认为
False
Examples:
>>> # First, run SqlManager example
>>> import lazyllm
>>> from lazyllm.tools import SQLManger, SqlCall
>>> sql_tool = SQLManger("personal.db")
>>> sql_llm = lazyllm.OnlineChatModule(model="gpt-4o", source="openai", base_url="***")
>>> sql_call = SqlCall(sql_llm, sql_tool, use_llm_for_sql_result=True)
>>> print(sql_call("去年一整年销售额最多的员工是谁?"))
Source code in lazyllm/tools/sql_call/sql_call.py
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 | |
extract_sql_from_response(str_response)
从原始 LLM 响应中提取 SQL(或 MongoDB pipeline)语句。
Parameters:
-
str_response(str) –LLM 返回的原始文本,可能包含代码块。
Returns:
- tuple[bool, str]: 第一个元素表示是否成功提取,第二个是清洗后的或原始内容。如果提供了 sql_post_func,则会应用于提取结果。
Source code in lazyllm/tools/sql_call/sql_call.py
sql_explain_prompt_hook(input=None, history=[], tools=None, label=None)
为解释数据库查询执行结果准备 prompt 的 hook。
Parameters:
-
input(Union[str, List, Dict[str, str], None], default:None) –包含查询和结果的列表。
-
history(List[Union[List[str], Dict[str, Any]]], default:[]) –会话历史。
-
tools(Union[List[Dict[str, Any]], None], default:None) –可用工具描述。
-
label(Union[str, None], default:None) –可选标签。
Returns:
- Tuple: 包含格式化后的 prompt 字典(history_info、desc、query、result、explain_query)、history、tools 和 label。
Source code in lazyllm/tools/sql_call/sql_call.py
sql_query_promt_hook(input=None, history=None, tools=None, label=None)
为从用户输入生成数据库查询准备 prompt 的 hook。
Parameters:
-
input(Union[str, List, Dict[str, str], None], default:None) –用户的自然语言查询。
-
history(List[Union[List[str], Dict[str, Any]]], default:None) –会话历史。
-
tools(Union[List[Dict[str, Any]], None], default:None) –可用工具描述。
-
label(Union[str, None], default:None) –可选标签。
Returns:
- Tuple: 包含格式化后的 prompt 字典(包括 current_date、db_type、desc、user_query)、history、tools 和 label。
Source code in lazyllm/tools/sql_call/sql_call.py
lazyllm.tools.rag.component.bm25.BM25
A BM25 retriever that uses the BM25 algorithm to retrieve nodes.
Source code in lazyllm/tools/rag/component/bm25.py
retrieve(query, topk=None)
使用BM25算法检索与查询最相关的文档节点。
Parameters:
-
query(str) –查询文本。
Returns:
- List[Tuple[DocNode, float]]: 返回一个列表,每个元素为(文档节点, 相关度分数)的元组。
Source code in lazyllm/tools/rag/component/bm25.py
lazyllm.tools.rag.doc_to_db.SchemaExtractor
Bases: ModuleBase
Schema aware extractor that materializes BaseModel schemas into database tables.
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 | |
analyze_schema_and_register(data, schema_set_id=None)
Infer a schema from sample data, register it, and return the registration info.
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
extract_and_store(data, schema_set_id=None, schema_set=None)
按已注册的 schema 抽取文本/DocNode 内容并写入对应表,若传入 schema_set 会先注册;同文档重复调用会返回缓存结果。
Parameters:
-
data(Union[str, List[DocNode]]) –文本或 DocNode 列表(需同一文档)。
-
schema_set_id(str, default:None) –指定使用的 schema 集合 ID。
-
schema_set(Type[BaseModel], default:None) –动态注册并使用的 schema。
Returns:
- ExtractResult: 抽取结果,
data为字段名到值的字典,metadata包含 schema_set_id、kb_id、doc_id 及按字段的线索信息;可能为 None 表示无可写入。
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
has_schema_set(schema_set_id)
检查指定 schema_set_id 是否已注册,缺失时会尝试从数据库恢复模型并建表。
Parameters:
-
schema_set_id(str) –目标 schema 集合 ID。
Returns:
- bool: 是否已存在。
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
register_schema_set(schema_set, schema_set_id=None, force_refresh=False)
schema set registration, idempotent
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
sql_manager_for_nl2sql(kb_ids=None)
基于已注册的 schema,生成一个仅暴露相关表的 SqlManager,用于 SqlCall 模块中 NL2SQL 查询;会附带表结构描述和可见表列表。
Parameters:
-
kb_ids(Union[str, List[str]], default:None) –过滤的知识库 ID,可单个或列表。
Returns:
- SqlManager: 仅包含可见表、列信息及说明的 SqlManager 实例,用于 NL2SQL。
Source code in lazyllm/tools/rag/doc_to_db/extractor.py
lazyllm.tools.rag.readers.DocxReader
Bases: _RichReader
docx格式文件解析器,从 .docx 文件中读取文本内容并封装为文档节点(DocNode)列表。
Parameters:
-
file(Path) –.docx文件路径。 -
fs(Optional[AbstractFileSystem]) –可选的文件系统对象,支持自定义读取方式。
Returns:
- List[DocNode]: 包含文档中所有文本内容的节点列表。
Source code in lazyllm/tools/rag/readers/docxReader.py
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 | |
lazyllm.tools.rag.readers.EpubReader
Bases: LazyLLMReaderBase
用于读取 .epub 格式电子书的文件读取器。
继承自 LazyLLMReaderBase,只需实现 _load_data 方法,即可通过 Document 组件自动加载 .epub 文件中的内容。
注意:当前版本不支持通过 fsspec 文件系统(如远程路径)加载 epub 文件,若提供 fs 参数,将回退到本地文件读取。
Returns:
- List[DocNode]: 所有章节内容合并后的文本节点列表。
Source code in lazyllm/tools/rag/readers/epubReader.py
lazyllm.tools.rag.readers.HWPReader
Bases: LazyLLMReaderBase
HWP文件解析器,支持从本地文件系统读取 HWP 文件。它会从文档中提取正文部分的文本内容,返回 DocNode 列表。
HWP 是一种专有的二进制格式,主要在韩国使用。由于格式封闭,因此只能解析部分内容(如文本段落),但对常规文本提取已经足够使用。
Parameters:
-
return_trace(bool, default:True) –是否启用 trace 日志记录,默认为
True。
Source code in lazyllm/tools/rag/readers/hwpReader.py
lazyllm.tools.rag.readers.ImageReader
Bases: LazyLLMReaderBase
用于从图片文件中读取内容的模块。支持保留图片、解析图片中的文本(基于OCR或预训练视觉模型),并返回文本和图片路径的节点列表。
Parameters:
-
parser_config(Optional[Dict], default:None) –解析器配置,包含模型和处理器,默认为 None。当设置 parse_text=True 且 parser_config=None 时,会自动根据 text_type 加载相应模型。
-
keep_image(bool, default:False) –是否保留图片的 base64 编码,默认为 False。
-
parse_text(bool, default:False) –是否解析图片中的文本,默认为 False。
-
text_type(str, default:'text') –解析文本的类型,支持
text(默认)和plain_text。当为plain_text时,使用 pytesseract 进行OCR;否则使用预训练视觉编码解码模型。 -
pytesseract_model_kwargs(Optional[Dict], default:None) –传递给 pytesseract OCR 的可选参数,默认为空字典。
-
return_trace(bool, default:True) –是否记录处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/imageReader.py
lazyllm.tools.rag.readers.IPYNBReader
Bases: LazyLLMReaderBase
用于读取和解析 Jupyter Notebook (.ipynb) 文件的模块。将 notebook 转换成脚本文本后,按代码单元划分为多个文档节点,或合并为单一文本节点。
Parameters:
-
parser_config(Optional[Dict], default:None) –预留的解析器配置参数,当前未使用,默认为 None。
-
concatenate(bool, default:False) –是否将所有代码单元合并成一个整体文本节点,默认为 False,即分割为多个节点。
-
return_trace(bool, default:True) –是否记录处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/ipynbReader.py
lazyllm.tools.rag.readers.MineruPDFReader
Bases: _OcrReaderBase
基于Mineru服务的PDF解析器,通过调用Mineru服务的API来解析PDF文件,支持丰富的文档结构识别。
Parameters:
-
url(str, default:None) –Mineru服务的完整API端点URL。
-
backend(str, default:None) –解析引擎类型。可选值: - 'pipeline': 标准处理流水线 - 'vlm-transformers': 基于Transformers的视觉语言模型 - 'vlm-vllm-async-engine': 基于异步VLLM的视觉语言模型 默认为 'pipeline'。
-
extract_table(bool, default:True) –是否提取表格内容并转换为Markdown格式。默认为 True。
-
extract_formula(bool, default:True) –是否提取公式文本。 - True: 提取为LaTeX等文本格式 - False: 将公式保留为图片 默认为 True。
-
split_doc(bool, default:True) –若为 True(默认),则解析为一个
RichDocNode,可以搭配RichTransform解析出带有结构信息的节点; 若为 False,则解析为一个纯文本的DocNode。 -
clean_content(bool, default:True) –是否清理冗余内容(页眉、页脚、页码等)。默认为 True。
-
post_func(Optional[Callable[[List[DocNode]], Any]], default:None) –后处理函数, 接收DocNode列表作为参数,用于自定义结果处理。默认为 None。
-
api_key(str, default:None) –初始化时使用的静态鉴权 token。
-
dynamic_auth(bool, default:False) –是否启用动态鉴权。启用后 token 从 globals.config['dynamic_ocr_auth']['mineru'] 读取。
-
auth_strategy(AuthStrategy, default:None) –自定义鉴权注入策略。默认使用 Bearer token。
Notes
当 split_doc=True 时返回 RichDocNode,否则返回 DocNode,两种情况都只返回一个节点。
当 split_doc=True 时,强烈建议搭配 RichTransform 使用,可以解析出带有结构信息等 metadata 的节点;
如不使用 RichTransform,则解析出的节点会回退为纯文本节点。
请求级 token:通过 inject_reader_config(ocr_config={'ocr_auth': {'mineru': '...'}}) 写入
globals.config['dynamic_ocr_auth'],由 CredentialMixin 在每次 HTTP 请求时读取。
静态默认 token:globals['config']['mineru_api_key'](仅 dynamic_auth=False 时)。
OCR 服务端缓存由 _load_data(..., use_cache=...) 单独控制(默认 True);
算法端 DocNode 内容缓存由全局 lazyllm.config['reader_use_cache'] 控制。
Examples:
from lazyllm.tools.rag.readers import MineruPDFReader reader = MineruPDFReader("http://0.0.0.0:8888") # Mineru server address nodes = reader("path/to/pdf")
Source code in lazyllm/tools/rag/readers/ocrReader/mineru_pdf_reader.py
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 | |
lazyllm.tools.rag.readers.MarkdownReader
Bases: LazyLLMReaderBase
用于读取和解析 Markdown 文件的模块。支持去除超链接和图片,按标题和内容将 Markdown 划分成若干文本段落节点。
Parameters:
-
remove_hyperlinks(bool, default:True) –是否移除超链接,默认 True。
-
remove_images(bool, default:True) –是否移除图片标记,默认 True。
-
return_trace(bool, default:True) –是否记录处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/markdownReader.py
remove_hyperlinks(content)
移除 Markdown 超链接,将 文本 转换为纯文本。
Parameters:
-
content(str) –输入的 markdown 内容。
Returns:
- str: 移除超链接后的内容,仅保留链接文本。
Source code in lazyllm/tools/rag/readers/markdownReader.py
remove_images(content)
移除内容中形如 ![[...]] 的自定义图片标签。
Parameters:
-
content(str) –输入的 markdown 内容。
Returns:
- str: 移除图片标签后的内容。
Source code in lazyllm/tools/rag/readers/markdownReader.py
lazyllm.tools.rag.readers.MboxReader
Bases: LazyLLMReaderBase
用于解析 Mbox 邮件存档文件的模块。读取邮件内容并格式化为文本,支持限制最大邮件数和自定义消息格式。
Parameters:
-
max_count(int, default:0) –最大读取的邮件数量,默认 0 表示读取全部邮件。
-
message_format(str, default:DEFAULT_MESSAGE_FORMAT) –邮件文本格式模板,支持使用
{_date}、{_from}、{_to}、{_subject}和{_content}占位符。 -
return_trace(bool, default:True) –是否记录处理过程的 trace,默认为 True。
Source code in lazyllm/tools/rag/readers/mboxreader.py
lazyllm.tools.rag.default_index.DefaultIndex
Bases: IndexBase
默认的索引实现,负责通过 embedding 和文本相似度在底层存储中查询、更新和删除文档节点。支持多种相似度度量方式,并在必要时对查询和节点进行 embedding 计算与更新。
Parameters:
-
embed(Dict[str, Callable]) –用于生成查询和节点 embedding 的字典,key 是 embedding 名称,value 是接收字符串返回向量的函数。
-
store(StoreBase) –底层存储,用于持久化和检索 DocNode 节点。
-
**kwargs–预留扩展参数。
Returns:
- DefaultIndex: 默认索引实例。
Source code in lazyllm/tools/rag/default_index.py
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 | |
query(query, group_name, similarity_name, similarity_cut_off, topk, embed_keys=None, filters=None, **kwargs)
执行一次查询,支持 embedding 和文本两种模式,依据相似度函数过滤并返回符合条件的 DocNode 结果。
Parameters:
-
query(str) –原始查询文本。
-
group_name(str) –要检索的节点组名称。
-
similarity_name(str) –使用的相似度度量名称,必须在 registered_similarities 中注册。
-
similarity_cut_off(Union[float, Dict[str, float]]) –相似度阈值或每个 embedding 对应的阈值字典,用于过滤结果。
-
topk(int) –每个相似度渠道最多保留的候选数量。
-
embed_keys(Optional[List[str]], default:None) –指定用于 embedding 的 key 列表,若为空则使用所有可用 embedding。
-
filters(Optional[Dict[str, List]], default:None) –额外的节点过滤器,应用在计算相似度前。
-
**kwargs–传递给相似度函数的额外参数。
Returns:
- list: List[DocNode]: 经过相似度计算与阈值过滤后去重的文档节点列表。
Source code in lazyllm/tools/rag/default_index.py
remove(uids, group_name=None)
从索引中删除指定 UID 的节点,可选指定分组名称以限定作用域。当前为空实现,使用时需要补全逻辑。
Parameters:
-
uids(List[str]) –要删除的节点唯一标识列表。
-
group_name(Optional[str], default:None) –可选的分组名称,用于限定删除范围。
Source code in lazyllm/tools/rag/default_index.py
update(nodes)
根据提供的节点列表更新索引中的内容。具体行为由子类或外部实现填充(此处为空实现,需在实际使用中覆盖/扩展)。
Parameters:
-
nodes(List[DocNode]) –需要更新(新增或替换)的文档节点列表。
lazyllm.tools.Reranker
Bases: ModuleBase, _PostProcess
用于创建节点(文档)后处理和重排序的模块。
Parameters:
-
name(str, default:'ModuleReranker') –用于后处理和重排序过程的排序器类型。默认为 'ModuleReranker'。
-
target(str, default:None) –已废弃参数,仅用于提示用户。
-
output_format(Optional[str], default:None) –代表输出格式,默认为None,可选值有 'content' 和 'dict',其中 content 对应输出格式为字符串,dict 对应字典。
-
join(Union[bool, str], default:False) –是否联合输出的 k 个节点,当输出格式为 content 时,如果设置该值为 True,则输出一个长字符串,如果设置为 False 则输出一个字符串列表,其中每个字符串对应每个节点的文本内容。当输出格式是 dict 时,不能联合输出,此时join默认为False,,将输出一个字典,包括'content、'embedding'、'metadata'三个key。
-
kwargs–传递给重新排序器实例化的其他关键字参数。
详细解释排序器类型
- Reranker: 实例化一个具有待排序的文档节点node列表和 query的 SentenceTransformerRerank 重排序器。
- KeywordFilter: 实例化一个具有指定必需和排除关键字的 KeywordNodePostprocessor。它根据这些关键字的存在或缺失来过滤节点。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, Reranker, Retriever, DocNode
>>> m = lazyllm.OnlineEmbeddingModule()
>>> documents = Document(dataset_path='/path/to/user/data', embed=m, manager=False)
>>> retriever = Retriever(documents, group_name='CoarseChunk', similarity='bm25', similarity_cut_off=0.01, topk=6)
>>> reranker = Reranker(DocNode(text=user_data),query="user query")
>>> ppl = lazyllm.ActionModule(retriever, reranker)
>>> ppl.start()
>>> print(ppl("user query"))
Source code in lazyllm/tools/rag/rerank.py
register_reranker(func=None, batch=False)
classmethod
是一个类装饰器工厂方法,它的核心作用是为 Reranker 类提供灵活的排序算法注册机制
Parameters:
-
func(Optional[Callable], default:None) –要注册的排序函数或排序器类。当使用装饰器语法(@)时可省略。
-
batch(bool, default:False) –是否批量处理节点。默认为False,表示逐节点处理。
Examples:
@Reranker.register_reranker
def my_reranker(node: DocNode, **kwargs):
return node.score * 0.8 # 自定义分数计算
Source code in lazyllm/tools/rag/rerank.py
lazyllm.tools.Retriever
Bases: _RetrieverBase, _PostProcess
创建一个用于文档查询和检索的检索模块。此构造函数初始化一个检索模块,该模块根据指定的相似度度量配置文档检索过程。
Parameters:
-
doc(object) –文档模块实例。该文档模块可以是单个实例,也可以是一个实例的列表。如果是单个实例,表示对单个Document进行检索,如果是实例的列表,则表示对多个Document进行检索。
-
group_name(str) –在哪个 node group 上进行检索。
-
similarity(Optional[str], default:None) –用于设置文档检索的相似度函数。默认为 'dummy'。候选集包括 ["bm25", "bm25_chinese", "cosine"]。
-
similarity_cut_off(Union[float, Dict[str, float]], default:float('-inf')) –当相似度低于指定值时丢弃该文档。在多 embedding 场景下,如果需要对不同的 embedding 指定不同的值,则需要使用字典的方式指定,key 表示指定的是哪个 embedding,value 表示相应的阈值。如果所有的 embedding 使用同一个阈值,则只指定一个数值即可。
-
index(str, default:'default') –用于文档检索的索引类型。目前仅支持 'default'。
-
topk(int, default:6) –表示取相似度最高的多少篇文档。
-
embed_keys(Optional[List[str]], default:None) –表示通过哪些 embedding 做检索,不指定表示用全部 embedding 进行检索。
-
output_format(Optional[str], default:None) –代表输出格式,默认为None,可选值有 'content' 和 'dict',其中 content 对应输出格式为字符串,dict 对应字典。
-
join(Union[bool, str], default:False) –是否联合输出的 k 个节点,当输出格式为 content 时,如果设置该值为 True,则输出一个长字符串,如果设置为 False 则输出一个字符串列表,其中每个字符串对应每个节点的文本内容。当输出格式是 dict 时,不能联合输出,此时join默认为False,,将输出一个字典,包括'content、'embedding'、'metadata'三个key。
其中 group_name 有三个内置的切分策略,都是使用 SentenceSplitter 做切分,区别在于块大小不同:
- CoarseChunk: 块大小为 1024,重合长度为 100
- MediumChunk: 块大小为 256,重合长度为 25
- FineChunk: 块大小为 128,重合长度为 12
此外,LazyLLM提供了内置的Image节点组存储了所有图像节点,支持图像嵌入和检索。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Retriever, Document, SentenceSplitter
>>> m = lazyllm.OnlineEmbeddingModule()
>>> documents = Document(dataset_path='/path/to/user/data', embed=m, manager=False)
>>> rm = Retriever(documents, group_name='CoarseChunk', similarity='bm25', similarity_cut_off=0.01, topk=6)
>>> rm.start()
>>> print(rm("user query"))
>>> m1 = lazyllm.TrainableModule('bge-large-zh-v1.5').start()
>>> document1 = Document(dataset_path='/path/to/user/data', embed={'online':m , 'local': m1}, manager=False)
>>> document1.create_node_group(name='sentences', transform=SentenceSplitter, chunk_size=1024, chunk_overlap=100)
>>> retriever = Retriever(document1, group_name='sentences', similarity='cosine', similarity_cut_off=0.4, embed_keys=['local'], topk=3)
>>> print(retriever("user query"))
>>> document2 = Document(dataset_path='/path/to/user/data', embed={'online':m , 'local': m1}, manager=False)
>>> document2.create_node_group(name='sentences', transform=SentenceSplitter, chunk_size=512, chunk_overlap=50)
>>> retriever2 = Retriever([document1, document2], group_name='sentences', similarity='cosine', similarity_cut_off=0.4, embed_keys=['local'], topk=3)
>>> print(retriever2("user query"))
>>>
>>> filters = {
>>> "author": ["A", "B", "C"],
>>> "public_year": [2002, 2003, 2004],
>>> }
>>> document3 = Document(dataset_path='/path/to/user/data', embed={'online':m , 'local': m1}, manager=False)
>>> document3.create_node_group(name='sentences', transform=SentenceSplitter, chunk_size=512, chunk_overlap=50)
>>> retriever3 = Retriever([document1, document3], group_name='sentences', similarity='cosine', similarity_cut_off=0.4, embed_keys=['local'], topk=3)
>>> print(retriever3(query="user query", filters=filters))
>>> document4 = Document(dataset_path='/path/to/user/data', embed=lazyllm.TrainableModule('siglip'))
>>> retriever4 = Retriever(document4, group_name='Image', similarity='cosine')
>>> nodes = retriever4("user query")
>>> print([node.get_content() for node in nodes])
>>> document5 = Document(dataset_path='/path/to/user/data', embed=m, manager=False)
>>> rm = Retriever(document5, group_name='CoarseChunk', similarity='bm25_chinese', similarity_cut_off=0.01, topk=3, output_format='content')
>>> rm.start()
>>> print(rm("user query"))
>>> document6 = Document(dataset_path='/path/to/user/data', embed=m, manager=False)
>>> rm = Retriever(document6, group_name='CoarseChunk', similarity='bm25_chinese', similarity_cut_off=0.01, topk=3, output_format='content', join=True)
>>> rm.start()
>>> print(rm("user query"))
>>> document7 = Document(dataset_path='/path/to/user/data', embed=m, manager=False)
>>> rm = Retriever(document7, group_name='CoarseChunk', similarity='bm25_chinese', similarity_cut_off=0.01, topk=3, output_format='dict')
>>> rm.start()
>>> print(rm("user query"))
Source code in lazyllm/tools/rag/retriever.py
41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 | |
lazyllm.tools.rag.retriever.TempDocRetriever
Bases: TempRetriever
临时文档检索器,继承自TempRetriever,用于快速处理临时文件并执行检索任务。
Parameters:
-
embed(Callable, default:None) –嵌入函数。
-
output_format(Optional[str], default:None) –结果输出格式(如json),可选默认为None
-
join(Union[bool, str], default:False) –是否合并多段结果(True或用分隔符如"
")
Examples:
>>> import lazyllm
>>> from lazyllm.tools import TempDocRetriever, Document, SentenceSplitter
>>> retriever = TempDocRetriever(output_format="text", join="
---------------
")
retriever.create_node_group(transform=lambda text: [s.strip() for s in text.split("。") if s] )
retriever.add_subretriever(group=Document.MediumChunk, topk=3)
files = ["/path/to/file.txt"]
results = retriever.forward(files, "什么是机器学习?")
print(results)
Source code in lazyllm/tools/rag/retriever.py
lazyllm.tools.rag.retriever.UrlDocument
Bases: ModuleBase
UrlDocument类继承自ModuleBase,用于通过指定的URL和名称管理远程文档资源。 内部通过lazyllm的UrlModule代理实际调用,支持文档查找、检索和活跃节点分组查询。
Parameters:
-
url(str) –远程文档资源的访问URL。
-
name(str, default:None) –当前文档分组名称,用于标识文档分组。
Source code in lazyllm/tools/rag/document.py
921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 | |
find(target)
生成一个部分应用函数,用于在当前文档组中查找指定目标。
Parameters:
-
target(str) –需要查找的目标标识。
Returns:
- Callable: 调用时会执行查找操作的部分应用函数。
get_nodes(uids=None, doc_ids=None, group=None, kb_id=None, numbers=None, limit=None, offset=0, return_total=False, sort_by_number=False)
按条件获取远程文档节点列表。
Parameters:
-
uids(Optional[List[str]], default:None) –指定节点 uid 列表。
-
doc_ids(Optional[Set], default:None) –指定文档 id 集合。
-
group(Optional[str], default:None) –节点组名。
-
kb_id(Optional[str], default:None) –知识库 id。
-
numbers(Optional[Set], default:None) –节点编号集合。
Returns:
- List[DocNode]: 命中的节点列表。
Source code in lazyllm/tools/rag/document.py
get_window_nodes(node, span=(-5, 5), merge=False)
获取远程文档中指定节点的窗口节点。
Parameters:
-
node(DocNode) –目标节点。
-
span(tuple[int, int], default:(-5, 5)) –窗口范围,基于 node.number 的相对偏移。
-
merge(bool, default:False) –是否将窗口节点合并为一个节点返回。
Returns:
- Union[List[DocNode], DocNode]: 窗口节点列表,或合并后的单节点。
Source code in lazyllm/tools/rag/document.py
keyword_search(group, keyword, doc_id='', kb_id=None, phrase=True, sort_by='score', size=10, file_name=None)
在远程文档中执行关键词精准匹配。
与 :meth:Document.keyword_search 接口一致,通过 RPC 代理到远端 Document 服务。
Parameters:
-
group(str) –节点组名。
-
keyword(str) –待匹配的关键词。
-
doc_id(str, default:'') –目标文档 ID,默认为空字符串。与
file_name二选一,若同时提供则file_name优先。 -
kb_id(Optional[str], default:None) –知识库过滤条件。
-
phrase(bool, default:True) –True 为精确子串匹配,False 为单词级匹配。
-
sort_by(str, default:'score') –"score"按相关性排序,"number"按文档顺序排序。 -
size(int, default:10) –最大返回条数。
-
file_name(Optional[str], default:None) –按文件名过滤,与
doc_id二选一。提供此参数时doc_id被忽略。
Returns:
-
–
List[dict]: 命中的切片列表。
Source code in lazyllm/tools/rag/document.py
lazyllm.tools.rag.doc_service.DocServer
Bases: ModuleBase
文档服务的主入口。
DocServer 负责文档上传/添加/重解析/删除、任务跟踪、知识库管理、chunk 查看,以及跨知识库文档转移。
它是 legacy DocManager / DocListManager API 的推荐替代方案。
Parameters:
-
port(Optional[int], default:None) –本地启动服务时使用的端口。
-
url(Optional[str], default:None) –已存在的 doc_service 地址;提供后当前实例作为远程客户端使用。
-
parser_url(Optional[str], default:None) –本地 doc_service 使用的 parsing service 地址。
-
db_config(Optional[Dict[str, Any]], default:None) –doc_service 元数据数据库配置。
-
parser_db_config(Optional[Dict[str, Any]], default:None) –parsing service 任务数据库配置。
-
parser_poll_interval(float, default:0.05) –本地解析协调使用的轮询间隔。
-
storage_dir(Optional[str], default:None) –上传文件保存目录。
-
callback_url(Optional[str], default:None) –接收解析任务回调的地址。
-
launcher–本地服务启动器。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 | |
add(request)
通过 /v1/docs/add 接口添加服务端可直接访问的本地文件。
当文件路径已经对 DocServer 所在机器可见时,使用该方法。请求体为 AddRequest,包含 kb_id
和 items。每个 item 可提供 file_path,以及可选的 doc_id、metadata。
Returns:
标准 API 响应。data["items"] 中包含接受后的 doc_id 和异步 task_id。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
build_openapi_app(title='LazyLLM DocService API', version='1.0.0')
classmethod
构建用于导出 OpenAPI 的 FastAPI 应用对象。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
build_openapi_schema(title='LazyLLM DocService API', version='1.0.0')
classmethod
生成 doc service 的 OpenAPI schema。
cancel_task(task_id)
通过 /v1/tasks/cancel 接口取消一个处于等待中的任务。
Parameters:
-
task_id(str) –要取消的任务 ID。
Returns: 表示任务是否取消成功的标准 API 响应。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
create_kb(kb_id, display_name=None, description=None, owner_id=None, meta=None, algo_id='__default__')
创建新的知识库。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
delete(request)
通过 /v1/docs/delete 接口从知识库中删除文档。
请求体为 DeleteRequest,包含 kb_id 和 doc_ids。删除是异步操作,因此如果需要最终状态,
应继续通过任务接口跟踪返回的 task_id。
知识库下绑定的所有算法均会被自动处理,无需指定 algo_id。若任意算法的解析任务处于 WORKING
状态,请求会被拒绝并返回 E_STATE_CONFLICT;处于 WAITING 状态的添加任务会在删除前被自动取消。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
delete_kb(kb_id)
delete_kbs(kb_ids)
enable_scanning()
Trigger dataset scanning for a local doc service after registrations are ready.
ensure_kb_registered(kb_id, algo_id=None)
Ensure the knowledge base row and algorithm binding exist in the doc service.
export_openapi(output_path=DEFAULT_OPENAPI_OUTPUT_PATH, title='LazyLLM DocService API', version='1.0.0')
classmethod
将 doc service 的 OpenAPI schema 导出到文件。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
get_algorithm_info(algo_id)
get_doc(doc_id)
get_doc_ng_status(kb_id, doc_id)
get_kb(kb_id)
get_task(task_id)
get_tasks_batch(task_ids)
list_algorithms()
list_chunks(**kwargs)
通过 /v1/chunks 接口分页查看文档的解析 chunk。
Parameters:
-
kb_id(str) –知识库 ID。
-
doc_id(str) –文档 ID。
-
group(str) –要查看的节点组名。
-
algo_id(str) –算法 ID。
-
page(int) –从 1 开始的页码。
-
page_size(int) –每页 chunk 数量。
-
offset(Optional[int]) –显式偏移量;未传时服务端会根据
page和page_size推导。
Returns:
-
–
包含
items与total的分页结果。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
list_doc_node_groups(kb_id, doc_id)
list_docs(**kwargs)
list_kbs(**kwargs)
list_tasks(**kwargs)
patch_metadata(request)
通过 /v1/docs/metadata/patch 接口更新文档元数据。
请求体为 MetadataPatchRequest,包含 kb_id、algo_id 和 items。每个 item 指向一个文档,
并在 patch 中携带需要合并的局部元数据。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
reparse(request)
通过 /v1/docs/reparse 接口重新解析已有文档。
请求体为 ReparseRequest,包含 kb_id 和 doc_ids。当元数据或解析配置变更后,
需要为已有文档重新入队解析任务时,可使用该方法。
可通过 algo_id 指定重解析该算法下的所有节点组,或通过 reparse_group(节点组名称)
指定仅重解析某一个节点组。两个字段互斥,同时传入会触发校验错误。若两者均不传,则使用知识库绑定的
第一个算法,并重解析其所有节点组。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
set_node_group_lazy_mode(group_name, lazy_mode=None)
set_runtime_callback_url(callback_url)
transfer(request)
在同一算法下的不同知识库之间转移已解析文档。
请求体为 TransferRequest。每个转移项都必须在目标知识库中提供唯一的 target_doc_id。
当前不支持跨算法 transfer。可选字段 target_filename 与 target_file_path 用于覆盖目标文档记录的文件名或文件路径。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
unbind_algo(kb_id, algo_id)
update_kb(kb_id, request)
upload(request)
通过 /v1/docs/upload 流程将文件上传到 DocServer 管理的存储目录。
当你希望由 DocServer 保存上传副本时,使用该方法。请求体为 UploadRequest,包含 kb_id
和 items。每个 item 使用 file_path 作为本地源路径,也可以附带可选的 doc_id、metadata。
Returns:
标准 API 响应。data["items"] 中包含接受后的 doc_id 和异步 task_id。
Source code in lazyllm/tools/rag/doc_service/doc_server.py
lazyllm.tools.rag.doc_service.base.AddFileItem
Bases: BaseModel
Source code in lazyllm/tools/rag/doc_service/base.py
validate_file_path()
lazyllm.tools.rag.doc_service.base.UploadRequest = DocItemsRequest
module-attribute
lazyllm.tools.rag.doc_service.base.AddRequest = DocItemsRequest
module-attribute
lazyllm.tools.rag.doc_service.base.TransferItem
Bases: BaseModel
Source code in lazyllm/tools/rag/doc_service/base.py
lazyllm.tools.rag.doc_service.base.TransferRequest
Bases: BaseModel
Source code in lazyllm/tools/rag/doc_service/base.py
lazyllm.tools.rag.data_loaders.DirectoryReader
Read local files with the configured reader registry and return document nodes.
Source code in lazyllm/tools/rag/data_loaders.py
__init__(input_files, local_readers=None, global_readers=None)
Initialize a directory-backed document reader with local and global reader registries.
Source code in lazyllm/tools/rag/data_loaders.py
load_data(input_files=None, metadatas=None, *, split_nodes_by_type=False)
Load documents from files and optionally split the result by node type.
Source code in lazyllm/tools/rag/data_loaders.py
signature()
计算当前读取器配置的指纹哈希,用于检测 reader 注册表变更。
将本地和全局 reader 映射序列化为 JSON 后取 SHA-256 前 16 位十六进制字符串。 当任意 reader 被替换或新增时,返回值会发生变化,可用于判断是否需要重新解析文档。
Returns:
- str: 16 位十六进制指纹字符串。
Source code in lazyllm/tools/rag/data_loaders.py
lazyllm.tools.rag.transform.sentence.SentenceSplitter
Bases: _TextSplitterBase
将句子拆分成指定大小的块。可以指定相邻块之间重合部分的大小。
Parameters:
-
chunk_size(int, default:_UNSET) –拆分之后的块大小
-
chunk_overlap(int, default:_UNSET) –相邻两个块之间重合的内容长度
-
num_workers(int, default:_UNSET) –控制并行处理的线程/进程数量
-
**kwargs–传递给拆分器的额外参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, SentenceSplitter
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="sentences", transform=SentenceSplitter, chunk_size=1024, chunk_overlap=100)
Source code in lazyllm/tools/rag/transform/sentence.py
lazyllm.tools.rag.transform.character.CharacterSplitter
Bases: _TextSplitterBase
将文本按字符拆分。
Parameters:
-
chunk_size(int, default:_UNSET) –拆分之后的块大小
-
overlap(int, default:_UNSET) –相邻两个块之间重合的内容长度
-
num_workers(int, default:_UNSET) –控制并行处理的线程/进程数量。
-
separator(str, default:_UNSET) –用于拆分的分隔符。默认为' '。
-
is_separator_regex(bool, default:_UNSET) –是否使用正则表达式作为分隔符。默认为False。
-
keep_separator(bool, default:_UNSET) –是否保留分隔符在拆分后的文本中。默认为False。
-
**kwargs–传递给拆分器的额外参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import Document, CharacterSplitter
>>> m = lazyllm.OnlineEmbeddingModule(source="glm")
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="characters", transform=CharacterSplitter, chunk_size=1024, chunk_overlap=100)
Source code in lazyllm/tools/rag/transform/character.py
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 | |
add_split_fn(split_fn, index=None, bind_separator=None)
添加一个拆分函数到CharacterSplitter。
Parameters:
-
split_fn(Callable[[str], List[str]]) –要添加的拆分函数。
-
index(Optional[int], default:None) –要添加的拆分函数的位置。默认为最后一个位置。
-
bind_separator(bool, default:None) –是否将分隔符绑定到拆分函数。默认为False。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import CharacterSplitter
>>> splitter = CharacterSplitter(separator='
')
>>> splitter.add_split_fn(lambda text: text.split(' '), index=0)
>>> text = 'Hello, world!'
>>> splits = splitter.split_text(text, metadata_size=0)
>>> print(splits)
Source code in lazyllm/tools/rag/transform/character.py
clear_split_fns()
清除CharacterSplitter的所有拆分函数,并使用默认的拆分函数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import CharacterSplitter
>>> splitter = CharacterSplitter(separator='
')
>>> splitter.clear_split_fns()
>>> text = 'Hello, world!'
>>> splits = splitter.split_text(text, metadata_size=0)
>>> print(splits)
Source code in lazyllm/tools/rag/transform/character.py
set_split_fns(split_fns, bind_separator=None)
CharacterSplitter有默认的拆分函数,你也可以设置自己的拆分函数。 可以设置多个拆分函数,CharacterSplitter会按顺序使用这些函数,分隔符参数将失效。
Parameters:
-
split_fns(List[Callable[[str], List[str]]]) –要使用的拆分函数列表。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import CharacterSplitter
>>> splitter = CharacterSplitter(separator='
')
>>> splitter.set_split_fns([lambda text: text.split(' '), lambda text: text.split('
')])
>>> text = 'Hello, world!'
>>> splits = splitter.split_text(text, metadata_size=0)
>>> print(splits)
Source code in lazyllm/tools/rag/transform/character.py
lazyllm.tools.rag.transform.recursive.RecursiveSplitter
Bases: CharacterSplitter
递归拆分文本。
Parameters:
-
chunk_size(int, default:_UNSET) –拆分之后的块大小
-
overlap(int, default:_UNSET) –相邻两个块之间重合的内容长度
-
num_workers(int, default:_UNSET) –控制并行处理的线程/进程数量。
-
keep_separator(bool, default:_UNSET) –是否保留分隔符在拆分后的文本中。默认为False。
-
is_separator_regex(bool, default:_UNSET) –是否使用正则表达式作为分隔符。默认为False。
-
separators(List[str], default:_UNSET) –用于拆分的分隔符列表。默认为['
', ' ', ' ', '']。如果你想按多个分隔符拆分,可以设置这个参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import RecursiveSplitter
>>> splitter = RecursiveSplitter(separators=['
', '
', ' ', ''])
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="recursive", transform=RecursiveSplitter, chunk_size=1024, chunk_overlap=100)
Source code in lazyllm/tools/rag/transform/recursive.py
lazyllm.tools.rag.transform.markdown.MarkdownSplitter
Bases: _TextSplitterBase
递归拆分markdown文本。
Parameters:
-
chunk_size(int, default:_UNSET) –拆分之后的块大小
-
overlap(int, default:_UNSET) –相邻两个块之间重合的内容长度
-
num_workers(int, default:_UNSET) –控制并行处理的线程/进程数量。
-
keep_trace(bool, default:_UNSET) –是否保留markdown文本的追踪。默认为False。
-
keep_headers(bool, default:_UNSET) –是否保留headers在拆分后的文本中。默认为False。
-
keep_lists(bool, default:_UNSET) –是否保留lists在拆分后的文本中。默认为False。
-
keep_code_blocks(bool, default:_UNSET) –是否保留code blocks在拆分后的文本中。默认为False。
-
keep_tables(bool, default:_UNSET) –是否保留tables在拆分后的文本中。默认为False。
-
keep_images(bool, default:_UNSET) –是否保留images在拆分后的文本中。默认为False。
-
keep_links(bool, default:_UNSET) –是否保留links在拆分后的文本中。默认为False。
-
**kwargs–传递给拆分器的额外参数。
Examples:
>>> import lazyllm
>>> from lazyllm.tools import MarkdownSplitter
>>> documents = Document(dataset_path='your_doc_path', embed=m, manager=False)
>>> documents.create_node_group(name="markdown", transform=MarkdownSplitter,
chunk_size=1024, chunk_overlap=100, keep_trace=True, keep_headers=True)
Source code in lazyllm/tools/rag/transform/markdown.py
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211< |