GraphRAG+Ollama，构建本地精准全局问答系统！

最新推荐文章于 2024-08-24 11:11:57 发布

大模型与自然语言处理

最新推荐文章于 2024-08-24 11:11:57 发布

阅读量1.1k

点赞数 22

分类专栏： NLP与大模型文章标签：算法自然语言处理人工智能深度学习多模态大模型大模型问答系统

本文链接：https://blog.csdn.net/2201_75499313/article/details/141100874

版权

NLP与大模型专栏收录该内容

154 篇文章 80 订阅

订阅专栏

最近这一两周看到不少互联网公司都已经开始秋招提前批了。

不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

总结链接如下：

《大模型面试宝典》(2024版) 发布！

喜欢本文记得收藏、关注、点赞。更多实战和面试交流，文末加入我们

RAG 是目前大语言模型相关最知名的工具之一，从外部知识库中检索事实，以便为大型语言模型 (LLM) 提供最准确、最新的信息。但 RAG 并不完美，在更好的使用 RAG 方面仍存在许多挑战。例如当针对整个文本文档提出一个全局的问题时，RAG会失败，因为RAG本质是一个查询聚焦摘要任务，需要先基于index做检索，而且不是一个明确的检索全文任务。同时受限于大语言模型的上下文窗口限制，不可避免中间信息和关联信息丢失的问题。

为了解决这些问题，微软提出了Graph RAG方法，使用 LLM 在两个阶段构建基于图的文本索引：首先从源文档中推导出实体知识图，然后为所有密切相关的实体组预生成社区摘要。给定一个问题，每个社区摘要用于生成部分响应，然后对所有部分响应进行总结以提供最终响应。对于一类关于 100 万个标记范围的数据集的全局理解问题，Graph RAG证明了图 RAG 在生成答案的全面性和多样性方面相对于简单的 RAG 基线有了显着改进。

但是，Graph RAG使用大语言模型从源文件抽取图entity和总结，并建设图索引，对token的消耗非常大，小编给大家算了一笔账，如果使用GPT-4o，一篇5万字左右的文档，Graph RAG的示例代码构建图的文本索引消耗27万左右 tokens，单次问答消耗约1万tokens，做个测试预计消费2-4美元，这也太贵了！

最佳实践

为了让更多的人更加容易体验Graph RAG，本文在魔搭社区的免费Notebook算力中，体验使用本地模型+Ollama+GraphRAG。

参考项目：

https://github.com/TheAiSingularity/graphrag-local-ollama

代码解析

该项目主要修改了文件路径/graphrag-local-ollama/graphrag/llm/openai/openai_embeddings_llm.py文件，将embedding的调用方式从OpenAI格式改为Ollama格式，大家也可以clone官方代码做如下修改，或者使用如Text-embedding-inference之类的支持OpenAI embedding API格式的库。

class OpenAIEmbeddingsLLM(BaseLLM[EmbeddingInput, EmbeddingOutput]):
    _client: OpenAIClientTypes
    _configuration: OpenAIConfiguration

    def __init__(self, client: OpenAIClientTypes, configuration: OpenAIConfiguration):
        self._client = client
        self._configuration = configuration

    async def _execute_llm(
        self, input: EmbeddingInput, **kwargs: Unpack[LLMInput]
    ) -> EmbeddingOutput | None:
        args = {
            "model": self._configuration.model,
            **(kwargs.get("model_parameters") or {}),
        }
        embedding_list = []
        for inp in input:
            embedding = ollama.embeddings(model="nomic-embed-text", prompt=inp)
            embedding_list.append(embedding["embedding"])
        return embedding_list

模型配置

安装Ollama

# 运行ollama安装脚本
cd ollama-linux
sudo chmod 777 ./ollama-modelscope-install.sh
./ollama-modelscope-install.sh

embedding模型使用Ollama自带的nomic-embed-text

ollama pull nomic-embed-text  #embedding

模型链接：

modelscope download --model=LLM-Research/Mistral-7B-Instruct-v0.3-GGUF --local_dir . Mistral-7B-Instruct-v0.3.fp16.gguf

创建ModelFile

FROM /mnt/workspace/Mistral-7B-Instruct-v0.3.fp16.gguf
PARAMETER stop "[INST]"
PARAMETER stop "[/INST]"


TEMPLATE """{{- if .Messages }}
{{- range $index, $_ := .Messages }}
{{- if eq .Role "user" }}
{{- if and (eq (len (slice $.Messages $index)) 1) $.Tools }}[AVAILABLE_TOOLS] {{ $.Tools }}[/AVAILABLE_TOOLS]
{{- end }}[INST] {{ if and $.System (eq (len (slice $.Messages $index)) 1) }}{{ $.System }}

{{ end }}{{ .Content }}[/INST]
{{- else if eq .Role "assistant" }}
{{- if .Content }} {{ .Content }}
{{- else if .ToolCalls }}[TOOL_CALLS] [
{{- range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}
{{- end }}]
{{- end }}</s>
{{- else if eq .Role "tool" }}[TOOL_RESULTS] {"content": {{ .Content }}} [/TOOL_RESULTS]
{{- end }}
{{- end }}
{{- else }}[INST] {{ if .System }}{{ .System }}

{{ end }}{{ .Prompt }}[/INST]
{{- end }} {{ .Response }}
{{- if .Response }}</s>
{{- end }}"""

创建模型

ollama create mymistral --file ./ModelFile

clone Graphrag（ollama版本）repo并安装

git clone https://github.com/TheAiSingularity/graphrag-local-ollama.git
cd graphrag-local-ollama/
pip install -e .

创建输入文件夹

将实验数据复制保存在./ragtest中，也可以增加自己的数据，目前仅支持.txt格式

mkdir -p ./ragtest/input
cp input/* ./ragtest/input

初始化

初始化ragtest文件夹，并存入配置文件

python -m graphrag.index --init --root ./ragtest
mv settings.yaml ./ragtest

可以将配置文件中的模型文件和embedding模型按照需求做对应的修改，如：

运行索引并创建图：

这部分对LLM有蛮大的要求，如果LLM的输出json格式不稳定，创建图的过程将被中断，在过程中，我们也尝试了多个模型，mistral的json输出稳定性比较好。

python -m graphrag.index --root ./ragtest

运行query，目前仅支持全局方式

python -m graphrag.query --root ./ragtest --method global "What is machinelearning?"

同时，使用如下python代码，生成可视化的graphml文件

from pygraphml import GraphMLParser

parser = GraphMLParser()
g = parser.parse("./graphrag-local-ollama/ragtest/output/***/artifacts/summarized_graph.graphml")

g.show()