LangChainRBは、RubyベースのLLMアプリケーションを構築するためのオーケストレーションレイヤーであり、ベクトルデータベース（MilvusやZilliz Cloud）やLLMのような複数のタイプのシステムをひも付けるのに役立つ。このソリューションを使えば、ドキュメント上のQ&A、チャットボット、エージェントに便利なセマンティック検索機能を構築できる。

主な機能は以下の通りです：

• プロンプト管理 - プロンプトテンプレートの作成、ロード、保存
• コンテキストの長さの検証 - コンテキストウィンドウの長さを検証し、LLMエラーを回避します。
• データチャンキング - Zilliz Cloudのようなベクトルデータベースに保存されるエンベッディングを作成する前に、様々なドキュメントから意味的に意味のあるチャンクにデータを分割します。
• 会話メモリ - LLMを持つチャットをメモリに永続化する。
• Anthropic、Cohere、Google Palm、Hugging Face、Local Llama、OpenAIのような一般的なLLMのサポートを提供します。

利点

• 共通のドメイン固有の言語とAPI
• 相互運用性とベンダーロックの低減、好きなLLMを選べる
• ベストプラクティスと豊富な機能セット

Milvusでベクトル検索を実行する方法

``ruby llm = Langchain::LLM::GooglePalm.new(api_key: "...")

クライアント + Langchain::Vectorsearch::Milvus.new(url:, index_name:, llm: llm) client.add_texts texts：テキスト: [...], ids: [...］

my_pdf = Langchain.root.join("/Documents/file.pdf") my_text = Langchain.root.join("/Documents/file.txt") my_docx = Langchain.root.join("/Documents/file.docx")

client.add_data(paths: [my_pdf, my_txt, my_docx])

上の例についてのメモ
- この例では LLM に Google Palm を使用していますが、API キーを渡すことで LLM をインスタンス化することができます。
- Milvus ruby gem を使ってクライアントを作成し、Milvus が動作している URL、インデックス名、インデックスを渡します。
- ベクターを一つずつMilvusに送るか、一括アップサートを行う。

ActiveRecord`の例

``ruby
クラス Product < ActiveRecord::Base
   vectorsearch プロバイダ：Langchain::Vectorsearch::Milvus.new(url:, index_name:, llm:)

   保存後 :upsert_to_vectorsearch
終了

ベクトル検索の例

``ruby

渡されたクエリ文字列に基づいて類似文書を検索する

client.similarity_search( クエリ:、 k: # 検索結果の数 )

渡された質問に基づく # Q&Aスタイルのクエリ client.ask( 質問 )

• LangChainRB GitHubリポジトリ](https://github.com/andreibondarev/langchainrb)
• LangChainRBドキュメント](https://rubydoc.info/gems/langchainrb)
• RubyでGenAIアプリをエンドツーエンドで構築するビデオ](https://zilliz.com/event/building-genai-app-ruby)
• Milvusディスコードに参加する](https://discord.com/invite/8uyFbECzPX)
• LangChainRBディスコードに参加する](https://discord.com/invite/WDARp7J2n8)