Llamaindex: Von Textnodes im Vektorspeicher zum Langchain-Retriever ⇐ Python

[Guest]

Gibt es eine Möglichkeit, Textknoten, die in einer Sammlung in einem Wdrant-Vektorspeicher gespeichert sind, in ein Format umzuwandeln, das von Langchain gelesen werden kann? Das Ziel besteht darin, einen Langchain-Retriever zu verwenden, der mit diesen Textknoten „sprechen“ kann. Scheint ein langer Weg zu sein, aber ich frage mich, ob es einen Weg gibt.
Die Llamaindex-Textknoten und ihr Abruf mithilfe der Chat-Funktionalität von Llamaindex:

Code: Select all

###other dependencies##
from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.core.chat_engine import CondensePlusContextChatEngine
from llama_index.core.base.base_retriever import BaseRetriever
from llama_index.core.llms.llm import LLM
from llama_index.core.memory import ChatMemoryBuffer
from llama_index.core.callbacks import CallbackManager

###initialize Qdrant client, etc

vector_store = QdrantVectorStore(client=client, collection_name="reports", enable_hybrid=True)

index = VectorStoreIndex.from_vector_store(
vector_store=vector_store) #vector store is specified that contains nodes as Textnode objects
#llamaindex retriever
retriever = index.as_retriever(similarity_top_k=6)

Was ich versucht habe: Die as_retriever()-Methode, die einen Langchain-Vektorspeicher in einen Retriever konvertiert, aber diese wird in Llamaindex nicht erkannt.