LangChain结合通义千问的自建知识库_langchain 通义千问(1)

最新推荐文章于 2024-05-04 01:24:07 发布

2401_83946044

最新推荐文章于 2024-05-04 01:24:07 发布

阅读量837

点赞数 21

分类专栏： 2024年程序员学习文章标签： langchain python 人工智能

本文链接：https://blog.csdn.net/2401_83946044/article/details/137443720

版权

2024年程序员学习专栏收录该内容

275 篇文章 0 订阅

订阅专栏

print(f’documents:{len(data)}')

初始化加载器

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)

切割加载的 document

split_docs = text_splitter.split_documents(data)
print(“split_docs size:”,len(split_docs))
print(split_docs)

langchain_community.document_loaders
官网文档地址：https://python.langchain.com/docs/modules/data_connection/document_loaders

UnstructuredFileLoader主要用于加载文件中未结构化的文本，用于对未处理的文件进行一些预处理编码识别，格式规范化等，确保文本数据识别接下来的预处理，该函数可以用于读取txt文件，不能处理csv格式文件 csv格式文件请使用langchain_community.document_loaders.csv_loader加载

加载文档做处理文档的准备工作

loader = UnstructuredFileLoader(“test.txt”)

调用load发开始进行预处理的过程

data = loader.load()

langchain.text_splitter.RecursiveCharacterTextSplitter

RecursiveCharacterTextSplitter将使用UnstructuredFileLoader加载之后的样本进行切分，利于对长文本的精细化处理。

其中的两个主要参数chunk_size和chunk_overlap的作用如下

chunk_size：切割的最长长度，该长度的单位是字符不是token长度
chunk_overlap：切割的重叠长度

以上两个参数均没有默认值需要手动设置

初始化加载器

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)

切割加载的 document

split_docs = text_splitter.split_documents(data)

2.读取本地Embedding模型

考虑到使用在线OpenAI 的Embedding模型消耗的Token过高，决定使用HuggingFaceEmbeddings加载离线的Embedding模型，代码如下。

from langchain_community.embeddings import HuggingFaceEmbeddings

model_name = r"bce-embedding-vase_v1"
model_kwargs = {‘device’: ‘cpu’}
encode_kwargs = {‘normalize_embeddings’: False}
hf = HuggingFaceEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs
)

其中model_name指代的不是模型名称，是包含训练好的模型在内的配置文件夹名称，在配置文件夹下面包含各类配置文件，且目前需要使用官方支持的模型，如果官方的不支持该模型，虽然在指定路径下存在着模型文件pytorch_model.bin,会出现以下警告信息，虽然程序没有报错，但是其没有成功加载模型，会提示找不到模型文件然后用平均策略创造了一个新的模型。还有可能出现找不到配置文件等错误，后续评估不同Embedding模型的效果。

No sentence-transformers model found with name ernie-3.0-xbase-zh. Creating a new one with MEAN pooling.

在可用其中使用最多的是bce-embedding-vase_v1模型，其是有道公司发布的一个embedding模型，基于pytorch框架编写，支持对中文和英文生成嵌入向量，链接网址如下，下载文件内容需要注册HuggingFace账号。

网址https://huggingface.co/maidalun1020

在这里插入图片描述

3. 保存向量数据库

使用langchain_community.vectorstores.Chroma保存知识向量库，其保存的完整代码如下，关键行解释在后。

官方文档地址：https://api.python.langchain.com/en/latest/vectorstores/langchain_community.vectorstores.chroma.Chroma.html#

from langchain_community.vectorstores import Chroma
from langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
import sentence_transformers
from langchain_community.document_loaders import UnstructuredFileLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

导入文本

loader = UnstructuredFileLoader(“test.txt”)
data = loader.load()

文本切分

text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=0)
split_docs = text_splitter.split_documents(data)

model_name = r"bce-embedding-vase_v1"
model_kwargs = {‘device’: ‘cpu’}
encode_kwargs = {‘normalize_embeddings’: False}
embeddings = HuggingFaceEmbeddings(
model_name=model_name,
model_kwargs=model_kwargs,
encode_kwargs=encode_kwargs
)

#保存向量数据库部分

初始化数据库

db = Chroma.from_documents(split_docs, embeddings,persist_directory=“./chroma/news_test”)

持久化

db.persist()

对数据进行加载

db = Chroma(persist_directory=“./chroma/news_test”, embedding_function=embeddings)

初始化数据库

使用Chroma.from_documents来初始化也就生成一个词向量数据库，他对原始文档中的数据进行处理并通过模型映射成向量 ,其中split_docs为切分之后的文本，embeddings为初始化之后的模型

db = Chroma.from_documents(split_docs, embeddings,persist_directory=“./chroma/news_test”)

持久化

在实例化了一个用于初始化向量数据库的类之后，需要调用persist函数对其进行保存，之后再使用的时候加载之前初始化得到的向量数据库即可，不需要重新初始化，也就是通过模型生成向量数据库。

db.persist()

对数据进行加载

persist_directory该变量为初始化数据库中指定的路径，embedding_function表示使用的embedding模型，如果不对已经生成的向量数据库添加新的文档则不需要指定。

db = Chroma(persist_directory=“./chroma/news_test”, embedding_function=embeddings)

4.检索数据库中的相似样本

在使用大语言模型对数据库中的内容进行总结归纳之前，需要去搜被切分的文本中哪些文本于问题相似，然后将搜索到的相似的样本和问题发给大模型大模型在根据相似样本和问题得到总结。在代码中使用到的是similarity_search其作用是需要对搜索到的相似文本进行输出的时候采用。

from langchain_community.vectorstores import Chroma
from langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
import IPython
import sentence_transformers
from langchain_community.document_loaders import UnstructuredFileLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。