Datawhale AI夏令营第四期-大模型应用开发Task3笔记

一、引言

1，RAG

在实际业务场景中，通用的基础大模型可能存在无法满足我们需求的情况，主要有以原因：

• 知识局限性：大模型的知识来源于训练数据，而这些数据主要来自于互联网上已经公开的资源，对于一些实时性的或者非公开的，由于大模型没有获取到相关数据，这部分知识也就无法被掌握

• 数据安全性：为了使得大模型能够具备相应的知识，就需要将数据纳入到训练集进行训练。然而，对于企业来说，数据的安全性至关重要，任何形式的数据泄露都可能对企业构成致命的威胁。

• 大模型幻觉：由于大模型是基于概率统计进行构建的，其输出本质上是一系列数值运算。因此，有时会出现模型“一本正经地胡说八道”的情况，尤其是在大模型不具备的知识或不擅长的场景中。

为了上述这些问题，研究人员提出了检索增强生成（Retrieval Augmented Generation, RAG）的方法。这种方法通过引入外部知识，使大模型能够生成准确且符合上下文的答案，同时能够减少模型幻觉的出现。

由于RAG简单有效，它已经成为主流的大模型应用方案之一。

RAG通常包括以下三个基本步骤：

• 索引：将文档库分割成较短的 Chunk，即文本块或文档片段，然后构建成向量索引。

• 检索：计算问题和 Chunks 的相似度，检索出若干个相关的 Chunk。

• 生成：将检索到的Chunks作为背景信息，生成问题的回答。

2，一个完整的RAG链路

离线计算

首先，知识库中包含了多种类型的文件，如pdf、word、ppt等，这些 文档（Documents）需要提前被解析，然后切割成若干个较短的 Chunk，并且进行清洗和去重。由于知识库中知识的数量和质量决定了RAG的效果，因此这是非常关键且必不可少的环节。然后，我们会将知识库中的所有 Chunk 都转成向量，这一步也称为 向量化（Vectorization）或者 索引（Indexing）。向量化 需要事先构建一个 向量模型（Embedding Model），它的作用就是将一段 Chunk 转成 向量（Embedding）。

在线计算

在实际使用RAG系统时，当给定一条用户 查询（Query），需要先从知识库中找到所需的知识，这一步称为 检索（Retrieval）。

在 检索 过程中，用户查询首先会经过向量模型得到相应的向量，然后与 数据库 中所有 Chunk 的向量计算相似度，最简单的例如 余弦相似度，然后得到最相近的一系列 Chunk 。由于向量相似度的计算过程需要一定的时间，尤其是 数据库 非常大的时候。这时，可以在检索之前进行 召回（Recall），即从 数据库 中快速获得大量大概率相关的 Chunk，然后只有这些 Chunk 会参与计算向量相似度。这样，计算的复杂度就从整个知识库降到了非常低。召回 步骤不要求非常高的准确性，因此通常采用简单的基于字符串的匹配算法。由于这些算法不需要任何模型，速度会非常快，常用的算法有 TF-IDF，BM25 等。

另外，也有很多工作致力于实现更快的 向量检索 ，例如 faiss，annoy。

由于 向量模型 能力有限，而随着知识库的增大，已经超出了其容量，因此准确性就会下降。在这种情况下，相似度最高的结果可能并不是最优的。为了解决这一问题，提升RAG效果，研究者提出增加一个二阶段检索——重排 (Rerank)，即利用 重排模型（Reranker），使得越相似的结果排名更靠前。这样就能实现准确率稳定增长，即数据越多，效果越好（如上图中紫线所示）。通常，为了与 重排 进行区分，一阶段检索有时也被称为 精排 。而在一些更复杂的系统中，在 召回 和 精排 之间还会添加一个 粗排 步骤，这里不再展开，感兴趣的同学可以自行搜索。

综上所述，在整个 检索 过程中，计算量的顺序是 召回 > 精排 > 重排，而检索效果的顺序则是 召回 < 精排 < 重排 。当这一复杂的 检索 过程完成后，我们就会得到排好序的一系列 检索文档（Retrieval Documents）。然后我们会从其中挑选最相似的 k 个结果，将它们和用户查询拼接成prompt的形式，输入到大模型。最后，大型模型就能够依据所提供的知识来生成回复，从而更有效地解答用户的问题。至此，一个完整的RAG链路就构建完毕了。

3，开源RAG框架

目前，开源社区中已经涌现出了众多RAG框架，例如：

• TinyRAG：DataWhale成员宋志学精心打造的纯手工搭建RAG框架。

• LlamaIndex：一个用于构建大语言模型应用程序的数据框架，包括数据摄取、数据索引和查询引擎等功能。

• LangChain：一个专为开发大语言模型应用程序而设计的框架，提供了构建所需的模块和工具。

• QAnything：网易有道开发的本地知识库问答系统，支持任意格式文件或数据库。

• RAGFlow：InfiniFlow开发的基于深度文档理解的RAG引擎。

二、实战

1，环境准备

进入实例，点击终端。

运行下面代码，下载文件，并将Task 3：源大模型RAG实战中内容拷贝到当前目录。

git lfs install
git clone https://www.modelscope.cn/datasets/Datawhale/AICamp_yuan_baseline.git
cp AICamp_yuan_baseline/Task\ 3：源大模型RAG实战/* .

双击打开Task 3：源大模型RAG实战.ipynb，然后运行所有单元格。

通过下面的命令，我们可以看到ModelScope已经提供了所需要的大部分依赖，如 torch，transformers 等。

# 查看已安装依赖
pip list

但是为了进行模型微调以及Demo搭建，还需要在环境中安装streamlit。

# 安装 streamlit
pip install streamlit==1.24.0

 

 

2，模型下载

在RAG实战中，我们需要构建一个向量模型。向量模型通常采用BERT架构，它是一个Transformer Encoder。输入向量模型前，首先会在文本的最前面额外加一个 [CLS] token，然后将该token最后一层的隐藏层向量作为文本的表示。如下图所示：

 

在本次学习中，我们选用基于BERT架构的向量模型 bge-small-zh-v1.5，它是一个4层的BERT模型，最大输入长度512，输出的向量维度也为512。bge-small-zh-v1.5 支持通过多个平台进行下载，因为我们的机器就在魔搭，所以这里我们直接选择通过魔搭进行下载。模型在魔搭平台的地址为 AI-ModelScope/bge-small-zh-v1.5。单元格2.2 模型下载 会自动执行向量模型和源大模型下载。

• 首先是向量模型下载

• # 向量模型下载
  from modelscope import snapshot_download
  model_dir = snapshot_download("AI-ModelScope/bge-small-zh-v1.5", cache_dir='.')

• 另外，还需要下载源大模型 IEITYuan/Yuan2-2B-Mars-hf

  # 源大模型下载
  from modelscope import snapshot_download
  model_dir = snapshot_download('IEITYuan/Yuan2-2B-Mars-hf', cache_dir='.')

  

 3，实战

为了构造索引，这里我们封装了一个向量模型类 EmbeddingModel：

# 定义向量模型类
class EmbeddingModel:
    """
    class for EmbeddingModel
    """

    def __init__(self, path: str) -> None:
        self.tokenizer = AutoTokenizer.from_pretrained(path)

        self.model = AutoModel.from_pretrained(path).cuda()
        print(f'Loading EmbeddingModel from {path}.')

    def get_embeddings(self, texts: List) -> List[float]:
        """
        calculate embedding for text list
        """
        encoded_input = self.tokenizer(texts, padding=True, truncation=True, return_tensors='pt')
        encoded_input = {k: v.cuda() for k, v in encoded_input.items()}
        with torch.no_grad():
            model_output = self.model(**encoded_input)
            sentence_embeddings = model_output[0][:, 0]
        sentence_embeddings = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1)
        return sentence_embeddings.tolist()

通过传入模型路径，新建一个 EmbeddingModel 对象 embed_model。初始化时自动加载向量模型的tokenizer和模型参数。

print("> Create embedding model...")
embed_model_path = './AI-ModelScope/bge-small-zh-v1___5'
embed_model = EmbeddingModel(embed_model_path)

为了实现向量检索，我们定义了一个向量库索引类 VectorStoreIndex： 

# 定义向量库索引类
class VectorStoreIndex:
    """
    class for VectorStoreIndex
    """

    def __init__(self, doecment_path: str, embed_model: EmbeddingModel) -> None:
        self.documents = []
        for line in open(doecment_path, 'r', encoding='utf-8'):
            line = line.strip()
            self.documents.append(line)

        self.embed_model = embed_model
        self.vectors = self.embed_model.get_embeddings(self.documents)

        print(f'Loading {len(self.documents)} documents for {doecment_path}.')

    def get_similarity(self, vector1: List[float], vector2: List[float]) -> float:
        """
        calculate cosine similarity between two vectors
        """
        dot_product = np.dot(vector1, vector2)
        magnitude = np.linalg.norm(vector1) * np.linalg.norm(vector2)
        if not magnitude:
            return 0
        return dot_product / magnitude

    def query(self, question: str, k: int = 1) -> List[str]:
        question_vector = self.embed_model.get_embeddings([question])[0]
        result = np.array([self.get_similarity(question_vector, vector) for vector in self.vectors])
        return np.array(self.documents)[result.argsort()[-k:][::-1]].tolist() 

类似地，通过传入知识库文件路径，新建一个 VectorStoreIndex 对象 index。初始化时会自动读取知识库的内容，然后传入向量模型，获得向量表示。

print("> Create index...")
doecment_path = './knowledge.txt'
index = VectorStoreIndex(doecment_path, embed_model)

 最后，我们介绍一下 VectorStoreIndex 类的入口，即查询函数 query()。传入用户的提问后，首先会送入向量模型获得其向量表示，然后与知识库中的所有向量计算相似度，最后将 k 个最相似的文档按顺序返回，k默认为1。

question = '介绍一下广州大学'
print('> Question:', question)

context = index.query(question)
print('> Context:', context)

为了实现基于RAG的生成，我们还需要定义一个大语言模型类 LLM：

# 定义大语言模型类
class LLM:
    """
    class for Yuan2.0 LLM
    """

    def __init__(self, model_path: str) -> None:
        print("Creat tokenizer...")
        self.tokenizer = AutoTokenizer.from_pretrained(model_path, add_eos_token=False, add_bos_token=False, eos_token='<eod>')
        self.tokenizer.add_tokens(['<sep>', '<pad>', '<mask>', '<predict>', '<FIM_SUFFIX>', '<FIM_PREFIX>', '<FIM_MIDDLE>','<commit_before>','<commit_msg>','<commit_after>','<jupyter_start>','<jupyter_text>','<jupyter_code>','<jupyter_output>','<empty_output>'], special_tokens=True)

        print("Creat model...")
        self.model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, trust_remote_code=True).cuda()

        print(f'Loading Yuan2.0 model from {model_path}.')

    def generate(self, question: str, context: List):
        if context:
            prompt = f'背景：{context}\n问题：{question}\n请基于背景，回答问题。'
        else:
            prompt = question

        prompt += "<sep>"
        inputs = self.tokenizer(prompt, return_tensors="pt")["input_ids"].cuda()
        outputs = self.model.generate(inputs, do_sample=False, max_length=1024)
        output = self.tokenizer.decode(outputs[0])

        print(output.split("<sep>")[-1])

这里我们传入 Yuan2-2B-Mars 的模型路径，新建一个 LLM 对象 llm。初始化时自动加载源大模型的tokenizer和模型参数。

print("> Create Yuan2.0 LLM...")
model_path = './IEITYuan/Yuan2-2B-Mars-hf'
llm = LLM(model_path)

LLM 类的入口是生成函数 generate()，它有两个参数：

• question: 用户提问，是一个str

• context: 检索到的上下文信息，是一个List，默认是[]，代表没有使用RAG

运行下面的代码，即可体验使用RAG技术之后 Yuan2-2B-Mars 模型的回答效果：

print('> Without RAG:')
llm.generate(question, [])

print('> With RAG:')
llm.generate(question, context)

三、作业

3.1 知识库构建

1. 确定领域

首先，选择一个领域，该领域可能在大模型上存在一些挑战性问题，比如医学诊断、法律咨询、复杂的技术支持等。这些领域往往需要精确的信息和专业知识，而通用的大语言模型可能无法提供足够准确的答案。

2. 收集领域数据

• 数据来源：可以从多种渠道获取数据，包括但不限于：
  • 百度百科、维基百科等在线百科全书
  • 学术论文数据库（如PubMed、Google Scholar）
  • 行业报告
  • 专业书籍
  • 专家访谈记录
  • 开放数据集
• 版权合规：确保所使用的数据遵循相关的版权法规。

3. 构建知识库

• 数据预处理：对收集的数据进行清洗、去重、格式化等预处理步骤。
  • 清洗：去除HTML标签、无关字符、错误信息等。
  • 去重：使用哈希算法检测重复文本并删除。
  • 分词：根据领域特点选择合适的分词工具。
  • 格式化：统一文本格式，如统一编码、标准化日期等。
• 文档划分：将长文档划分为较小的段落或句子，便于后续的索引和检索。

3.2 RAG实战

1. 知识库索引

• 切分策略：根据文本内容的特点，可以采用基于句子的切分、基于段落的切分或是基于主题的切分。
• 向量模型选择：选择一个适合的向量模型来生成文本的嵌入表示。对于中文文本，可以选择如SimBERT、ERNIE等模型。这些模型应该经过微调以适应特定领域的语料库。
• 索引构建：使用向量数据库（如Milvus、Pinecone、Qdrant等）存储文本的向量表示，以便快速检索。

2. 检索

• 检索工具：使用上述向量数据库进行高效检索。
• 查询扩展：可以通过同义词替换、上下文理解等方式增强查询能力。

3. 生成

• Prompt设计：设计有效的prompt来引导模型从知识库中检索相关信息并生成高质量的回答。
  • 提供背景信息：告诉模型它可以从知识库中检索信息。
  • 明确需求：清楚地说明要解决的问题或所需的具体信息。
  • 使用示例：给出一个或多个例子来帮助模型理解任务要求。
• 融合策略：决定如何将检索到的信息与模型生成的内容结合起来。一种常见的方法是在生成文本之前直接将检索到的信息插入到prompt中。

实战案例

假设我们要构建一个针对医学领域的知识库，并使用Yuan2-2B模型进行RAG实验。

知识库构建

• 领域：选择医学领域，特别是心血管疾病治疗。
• 数据来源：从PubMed下载相关文献摘要；从专业网站和论坛抓取问答数据。
• 预处理：去除HTML标签、非结构化数据清洗、使用jieba进行分词、去除停用词等。

RAG实战

• 索引：使用SimBERT对文本进行嵌入，并存储到Milvus中。
• 检索：当用户提出问题时，使用Milvus检索最相关的文档片段。
• 生成：设计prompt，比如：“给定以下关于心血管疾病的治疗信息，请回答…”。