L1 - Llamaindex RAG实践

LlamaIndex + InternLM2 RAG实践指南

• 任务要求：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。

环境准备

1. 创建并激活Conda虚拟环境：

conda create -n llamaindex python=3.10
conda activate llamaindex

2. 安装PyTorch和相关依赖：

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
pip install einops protobuf

3. 安装LlamaIndex及其相关组件：

pip install llama-index==0.10.38 llama-index-llms-huggingface==0.2.0 "transformers[torch]==4.41.1" "huggingface_hub[inference]==0.23.1" huggingface_hub==0.23.1 sentence-transformers==2.7.0 sentencepiece==0.2.0

4. 创建工作目录并下载必要的模型：

mkdir -p ~/llamaindex_demo/model
cd ~/llamaindex_demo

5. 创建并运行下载脚本 download_hf.py：

import os

os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')

6. 下载并配置NLTK资源：

cd /root
git clone https://gitee.com/yzy0612/nltk_data.git --branch gh-pages
cd nltk_data
mv packages/* ./
cd tokenizers && unzip punkt.zip
cd ../taggers && unzip averaged_perceptron_tagger.zip

LlamaIndex与HuggingFaceLLM集成

创建 llamaindex_internlm.py 文件，内容如下：

from llama_index.llms.huggingface import HuggingFaceLLM
from llama_index.core.llms import ChatMessage

llm = HuggingFaceLLM(
    model_name="/root/model/internlm2-chat-1_8b",
    tokenizer_name="/root/model/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)

rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
print(rsp)

运行脚本并观察输出：

python llamaindex_internlm.py

我们发现internlm2-chat-1_8b模型并不知道xtuner具体是什么，回答也是基于已经训练的知识库的内容去描述，并没有达到我们想要的效果，接下来就结合RAG的方式来查看效果。

LlamaIndex RAG实现

1. 安装额外的依赖：

pip install llama-index-embeddings-huggingface llama-index-embeddings-instructor

2. 准备知识库：

mkdir data
cd data
git clone https://github.com/InternLM/xtuner.git
mv xtuner/README_zh-CN.md ./
cd ..

3. 创建 llamaindex_RAG.py 文件，内容如下：

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM

# 初始化嵌入模型
embed_model = HuggingFaceEmbedding(
    model_name="/root/model/sentence-transformer"
)
Settings.embed_model = embed_model

# 初始化语言模型
llm = HuggingFaceLLM(
    model_name="/root/model/internlm2-chat-1_8b",
    tokenizer_name="/root/model/internlm2-chat-1_8b",
    model_kwargs={"trust_remote_code":True},
    tokenizer_kwargs={"trust_remote_code":True}
)
Settings.llm = llm

# 加载文档并创建索引
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
index = VectorStoreIndex.from_documents(documents)

# 创建查询引擎并执行查询
query_engine = index.as_query_engine()
response = query_engine.query("xtuner是什么?")

print(response)

运行脚本并观察结果：

python llamaindex_RAG.py

经过RAG优化，可以看到模型已经具备了回答“什么是xtunner”的能力