Llammaindex: от текстовых узлов в векторном хранилище до ретривера Langchain ⇐ Python

[Anonymous]

Есть ли способ адаптировать текстовые узлы, хранящиеся в коллекции векторного хранилища Wdrant, в формат, читаемый langchain? Цель состоит в том, чтобы использовать ретривер Langchain, который может «общаться» с этими текстовыми узлами. Кажется, это маловероятно, но интересно, есть ли способ.
Текстовые узлы Llamaindex и их поиск с помощью функции чата Llammaindex:

Код: Выделить всё

###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)

Что я пробовал: метод as_retriever(), который преобразует векторное хранилище Langchain в ретривер, но он не распознается в Llammaindex.>

Подробнее здесь: https://stackoverflow.com/questions/793 ... -retriever

[Гость]