构建专属RAG架构：私人定制知识库聊天机器人开发指南

于 2024-07-15 10:16:31 发布
阅读量417 收藏 4
点赞数 7
文章标签： 架构 机器人 人工智能 AI大模型 大模型 langchain 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84204207/article/details/140431098
版权

随着人工智能的快速发展，特别是大语言模型的惊艳表现，让我们见证了信息检索和知识管理系统的重大进步。在这篇文章中，将探讨如何利用 Retrieval-Augmented Generation（RAG）技术，结合 MongoDB 数据库和 LangChain 框架，来构建一个先进的私人知识聊天机器人。

大模型聊天机器人的不足

在过去的这段时间，相信大家都领会到了生成式人工智能聊天机器人的魅力，它们展现出具有令人难以置信的能力，可以即时创建回复。然而，直接使用像 ChatGPT、ChatGLM、文心一言这样的模型生成的答案也存在问题。

幻觉

大语言模型有时也会生成所谓的 “幻觉” 文本，这些文本可能描述了现实中不存在的事件、人物或地点，导致以下问题：

  1. 现实与虚构混淆：模型无法准确区分历史事实与虚构内容，从而生成关于虚构事件或人物的响应，这可能误导那些寻求确凿信息的用户。
  2. 错误信息传播：当模型提供不真实或误导性的信息时，特别是在科学或医学领域，可能对公众造成误导，影响决策和信念体系。

无法访问私人信息

虽然大语言模型能够生成广泛的答案，但它们无法访问私人或定制化的信息，这限制了它们的应用范围：

  1. 缺乏个性化解答：这些模型通常无法访问用户的私人数据，如超出范围的历史记录或个人偏好，因此无法提供高度个性化的答案。
  2. 标准化回答的局限性：由于缺乏对用户特定需求的了解，这些模型生成的答案可能无法满足特定用户群体或行业的独特需求。

答案太笼统

大语言模型通常在提供答案时过于泛化，缺乏针对特定领域或行业的深度和专业性：

  1. 行业特定知识的缺乏：模型在处理涉及专业领域（如金融、法律或医疗）的查询时，可能无法提供足够专业的见解或详细的技术数据。
  2. 泛化与专业性的平衡：在努力适应广泛的查询类型时，模型可能难以在泛化能力和特定领域的深度知识之间找到平衡点，导致答案可能不足以满足专业人士或具有特定需求的用户的期望。

为了应对这些挑战，我们转向 Retrieval-Augmented Generation（RAG），即检索增强生成。RAG是一个人工智能框架，旨在从外部知识库中获取准确和最新的事实，它在大语言模型的生成过程中提供上下文和理解至关重要。

MongoDB Atlas 和 LangChain

MongoDB Atlas 向量搜索

MongoDB Atlas 作为向量数据库的优势：

  • MongoDB Atlas 与现有的MongoDB数据库无缝集成，使其成为已经在数据管理中使用 MongoDB 的组织的自然扩展。这确保了在不需要进行大规模系统改造的情况下，顺利过渡到向量存储。
  • MongoDB Atlas 专为处理大规模、运营关键的应用程序而设计，展示了其稳健性和可靠性。这在数据准确性和可用性至关重要的应用程序中变得特别关键，它的横向扩展能力确保了效率。
  • MongoDB Atlas 在处理各种数据类型和结构方面的灵活性，使其成为容纳向量嵌入复杂性的理想选择。
  • MongoDB Atlas 定位在企业级，拥有高安全标准、跨多个云的可用性和全面管理。这确保了组织可以信任它来实现安全、可靠和高效的操作。

LangChain 框架

LangChain 是一个强大的语言模型驱动应用程序框架，它改变了构建智能聊天机器人的规则。LangChain 的突出优势：

  • 上下文感知：LangChain 使应用程序，尤其是聊天机器人，能够根据来自各种来源的上下文信息（如提示指令和历史交互）进行理解和响应。
  • 推理能力：LangChain 赋予应用程序有效推理的能力，使它们能够根据提供的上下文做出明智的决策。

由 RAG 驱动的生成式 AI 聊天机器人实现

原理图解

image.png

建立知识库

加载数据

需要准备好获取问题回答所需的数据，这可以通过从网络资源、PDF、Word 文档以及其他可用的文本资料中提取信息来实现。这一步骤至关重要，因为数据的质量直接影响到机器人回答问题的能力。

生成嵌入

获取数据后，对其进行处理，将其分割成可管理的数据块，这有助于信息的高效处理。每个数据块都经过嵌入过程，这一转换过程将原始文本转换为数字表示形式，便于计算机分析。采用的嵌入方法还需确保在 MongoDB Atlas 中存储数据时的数据安全性与高效检索能力。

MongoDB 向量存储

为实现高效检索，生成的嵌入向量将存储在 MongoDB 中。MongoDB 提供了高效的存储方案，可以快速地对这些嵌入向量进行检索，这对于问答系统的快速响应至关重要。

RAG 问答

问题嵌入

当用户提出问题时，会生成该特定问题的嵌入。这一步骤准备好将问题与 MongoDB Atlas 中存储的数据进行比较。

检索相似的数据块

利用 MongoDB 的向量搜索功能，系统检索与提出的问题最匹配的相关数据块，这些数据块是在知识库中准备好的。

基于上下文和问题的提示词

检索到的数据块和用户问题合并后，创建一个包含全面上下文的查询。这个上下文为大语言模型（LLM）提供了必要的信息，使其能够基于全面的理解生成回答。

通过RAG进行定制答案生成

配备了上下文的大语言模型（如 GPT 或类似模型）利用 RAG（Retrieval-Augmented Generation）机制生成定制化的答案。这样的答案既符合用户的问题，也充分考虑了数据集中的信息，确保了回答的个性化和准确性。这一过程是生成式 AI 聊天机器人的核心，它结合了检索式和生成式方法，以提供更为准确和灵活的回答。

代码实现

import os  
import re  
from openai import OpenAI  
import time  
from dotenv import load_dotenv  
from pymongo import MongoClient  
from langchain.chat_models import ChatOpenAI  
from langchain.schema import AIMessage, HumanMessage  
from langchain.llms import OpenAI  
from langchain.document_loaders import PyPDFLoader  
from langchain.text_splitter import RecursiveCharacterTextSplitter  
from langchain.embeddings import OpenAIEmbeddings  
from langchain.vectorstores import MongoDBAtlasVectorSearch  
from langchain.chains import RetrievalQA  
from langchain.schema.language_model import BaseLanguageModel  
import gradio as gr

load_dotenv(override=True)  
  
# 连接 MongoDB 和 OpenAI
OPENAI_API_KEY = os.environ["OPENAI_API_KEY"]  
MONGO_URI = os.environ["MONGO_URI"]  
DB_NAME = "pdfchatbot"  
COLLECTION_NAME = "pdfText"  
ATLAS_VECTOR_SEARCH_INDEX_NAME = "vector_index"  
  
embeddings = OpenAIEmbeddings(openai_api_key=OPENAI_API_KEY)  
   
EMBEDDING_FIELD_NAME = "embedding"  
TEXT_FIELD_NAME = "text"  
  
client = MongoClient(MONGO_URI)  
db = client[DB_NAME]  
collection = db[COLLECTION_NAME]

# PDF处理
def process_pdf(file,progress=gr.Progress()):  
    progress(0, desc="Starting")  
    time.sleep(1)  
    progress(0.05)  
    new_string = ""  
    for letter in progress.tqdm(file.name, desc="Uploading Your PDF into MongoDB Atlas"):  
    time.sleep(0.25)  

    loader = PyPDFLoader(file.name)  
    pages = loader.load_and_split()  
    print(pages)  
 
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)  
    docs = text_splitter.split_documents(pages)  
    docs_as_strings = [str(doc) for doc in docs]  

    vectorStore = MongoDBAtlasVectorSearch(  
    collection, embeddings, index_name=ATLAS_VECTOR_SEARCH_INDEX_NAME  
    )  

    docsearch = vectorStore.from_documents(  
    docs,  
    embeddings,  
    collection=collection,  
    index_name=ATLAS_VECTOR_SEARCH_INDEX_NAME,  
    )  

    return docsearch

# 查询和显示    
def query_and_display(query,history):  
    history_langchain_format = []  
    for human, ai in history:  
        history_langchain_format.append(HumanMessage(content=human))  
        history_langchain_format.append(AIMessage(content=ai))  
    history_langchain_format.append(HumanMessage(content=query))  
    # Set up MongoDBAtlasVectorSearch with embeddings  
    vectorStore = MongoDBAtlasVectorSearch(collection,OpenAIEmbeddings(openai_api_key=OPENAI_API_KEY),index_name=ATLAS_VECTOR_SEARCH_INDEX_NAME,)  
    print(query)    
    print("---------------")  
    docs = vectorStore.max_marginal_relevance_search(query, K=5)  
    
    llm = OpenAI(openai_api_key=OPENAI_API_KEY, temperature=0)  
    retriever = vectorStore.as_retriever(search_type="similarity",search_kwargs={"k": 5},)  

    for document in retriever:  
        print(str(document) + "\n")  

    qa = RetrievalQA.from_chain_type(llm, chain_type="stuff",retriever=retriever)  
    retriever_output = qa.run(query)  

    print(retriever_output)  
    return retriever_output
    
# 用户界面
with gr.Blocks(css=".gradio-container {background-color: AliceBlue}") as demo:  
    gr.Markdown("YBCarry Chatbot")  

    with gr.Tab("Upload PDF"):  
        with gr.Row():  
            pdf_input = gr.File()  
            pdf_output = gr.Textbox()  
        pdf_button = gr.Button("Upload PDF")  

    with gr.Tab("Ask question"):  
        gr.ChatInterface(query_and_display)  

    pdf_button.click(process_pdf, inputs=pdf_input, outputs=pdf_output)  

demo.launch()

image.png

image.png

结语

通过RAG，我们开始着手解决与大语言模型相关的挑战，确保了精准答复和上下文相关的响应。跟随这一方向，相信大模型可以更好地服务于我们的日常和工作。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

黑客-雨
关注
  • 7
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
实战LangChain（二）：探索RAG——为聊天机器人注入知识
mtl1994的博客
03-13 318
Retrieval Augmented Generation (RAG) 技术为解决自然语言处理的复杂任务提供了一种新颖的方法。尽管面临挑战，但随着技术的不断发展和优化，RAG有望在提高信息检索和内容生成质量方面发挥更大的作用。通过不断探索和创新，我们有理由相信，RAG将在未来的人工智能发展中占据重要位置，为人机交互带来更多的可能性。
RAG模型的知识更新与维护：实现动态知识库的构建
禅与计算机程序设计艺术
03-14 468
随着人工智能技术的飞速发展，知识库在各种AI应用中扮演着越来越重要的角色。知识库为AI系统提供了丰富的知识和信息，使得AI系统能够更好地理解和处理各种问题。然而，随着知识的不断积累和更新，如何有效地维护和更新知识库成为了一个亟待解决的问题。RAG模型作为一种基于深度学习的知识库动态更新方法，在实际应用中具有广泛的应用前景。知识表示的优化：当前的知识表示方法仍然存在一定的局限性，如何进一步优化知识表示方法以提高知识库的质量和效率是一个重要的研究方向；
基于RAG的私人知识库聊天机器人
python1234567_的博客
06-20 1386
通过RAG，我们开始着手解决与大语言模型相关的挑战，确保了精准答复和上下文相关的响应。跟随这一方向，相信大模型可以更好地服务于我们的日常和工作。
快速构建本地RAG聊天机器人：使用LangFlow和Ollama实现无代码开发
python123456_的博客
06-15 1075
在这个项目中，我们将构建一个人工智能聊天机器人，并命名为“Dinnerly——您的健康食谱规划师”。它的目标是借助检索增强生成（RAG）技术，从一个食谱PDF文件中推荐健康的菜肴配方。在深入了解如何实现这一目标之前，让我们快速浏览一下项目中将要使用的关键组件。
精通RAG架构：从0到1，基于LLM+RAG构建生产级企业知识库
架构师尼恩
05-16 1462
在AI的浩瀚宇宙中，语言模型犹如一艘艘探索船，它们通过预测单词序列的概率，解码语言的奥秘。这些由人工神经网络构成的模型，经过海量文本数据的洗礼，不仅理解语言的本质，更能预测序列中的下一个单词。当我们将这些模型的参数规模扩大到一个全新的量级时，便诞生了所谓的大型语言模型（LLM），它们以其庞大的参数数量，学习语言中的复杂模式，为世界带来了革命性的影响。幻觉现象在大型语言模型（LLM）中主要因其无法访问最新信息而产生，这一问题根源于模型对其训练数据集的严重依赖。
RAG知识库问答LangChain+LLM的二次开发：商用时的典型问题及其改进方案
热门推荐
结构之法 算法之道
12-27 1万+
如之前的文章所述，我司下半年成立大模型项目团队之后，我兼管整个项目团队，但为让项目的推进效率更高，故分成了三大项目组对于知识库问答，现在有两种方案，一种基于llamaindex，一种基于langchain +LLM，考虑到我已在此文《基于LangChain+LLM的本地知识库问答：从企业单文档问答到批量文档问答》中详细介绍了langchain、以及langchain-ChatGLM项目的源码剖析，本文重点则阐述如何通过基于langchain-chatchat二次开发一个知识库问答系统，包括其商用时的典型问题
AnythingLLM：私人 ChatGPT，构建专属知识库，本地代码库问答助手
2201_75499313的博客
06-09 1039
节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学.针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。今天分享如何用大模型+本地资料，构建专属知识库。开源地址：https://github.com/Mintplex-Labs/anything-llm核心解决的是大模型的问题。我们都知道，大模型对于自己不知道的问题可能会乱答。
GPT实战系列-构建本地知识库RAG的LLM Agent
Alex_StarSky的博客
03-21 2024
本文将介绍如何设计和实现具有LLM能力的聊天机器人。它作为一个有记性的聊天机器人，需管理聊天记录。需给它连接内部知识，通过某种形式的，或简称 RAG，来获取浅的，特定领域的，很有用知识，使聊天机器人更加强大。
基于 Langchain 和 Streamlit，构建多 PDF RAG 聊天机器人
机器学习社区
06-22 1021
节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。针对大模型技术趋势、算法项目落地经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。与 PDF 互动是很酷的。你可以与你的笔记、书籍和文档等进行聊天。本文将帮助你构建一个基于 Multi RAG Streamlit 的 Web 应用程序，通过对话 AI 聊天机器人来读取、处理和互动PDF数据。以下是该应用程序的工作步骤，用简单的语言进行说明。
CVP架构的企业级知识库落地
05-26
3. 利用本地知识库+通过RAG机制实现检索生成增强，落地实现企业级本地知识库机器人方案。（为了提高检索的效率和准确性，采用了RAG（Retrieval-Augmented Generation）机制。这是一种先进的信息检索技术，它结合了...
RAG部署-使用TensorRT-LLM在Windows上部署检索增强生成聊天机器人RAG-优质大模型部署项目实战.zip
04-09
在本项目中，我们将深入探讨如何在Windows操作系统上利用TensorRT-LLM（Longformer Language Model）技术部署RAG（Retrieval-Augmented Generation）聊天机器人。RAG是一种先进的自然语言处理模型，它结合了检索式和...
Python_检索增强一代RAG聊天机器人由Weaviate供电.zip
05-24
在本项目中，我们关注的是一个使用Python构建的检索增强一代（RAG，Retrieval-Augmented Generation）聊天机器人，该机器人是通过Weaviate作为其数据存储和检索引擎来增强其性能的。Weaviate是一个现代的云原生、...
Python_一个开发人员参考项目，用于在Windows上使用TensorRTLLM创建检索增强生成RAG聊天机器人.zip
05-24
一个开发人员参考项目，用于在Windows上使用TensorRTLLM创建检索增强生成RAG聊天机器人”表明这是一个使用Python编程语言构建的项目，主要目标是为Windows平台上的开发者提供指导，如何利用NVIDIA的TensorRT库以及...
LLM-RAG-WEB 大模型本地知识库召回
03-01
https://github.com/lonngxiang/LLM-RAG-WEB
Spring Boot中的多租户架构实现
微赚淘客开发者博客
07-06 1584
在多租户系统中，每个租户都能够安全且有效地使用相同的应用程序，同时确保数据隔离和性能独立性。通过合理的设计和实施，开发人员可以有效地管理和运行支持多个租户的应用程序，从而提升系统的灵活性和扩展性。每个租户是一个逻辑上独立的客户，拥有自己的数据、配置、用户界面等资源，而这些资源又可以在同一个应用程序实例中共享。在Spring Boot中配置多租户数据源，可以使用AbstractRoutingDataSource实现动态数据源切换，根据不同的租户标识动态选择数据源。
DDD架构面试问题
weixin_43076660的博客
07-10 483
DDD架构面试问题
Python爬虫：基础爬虫架构及爬取证券之星全站行情数据！
Python_trys的博客
07-10 880
爬虫成长之路（一）里我们介绍了如何爬取证券之星网站上所有A股数据，主要涉及网页获取和页面解析的知识。爬虫成长之路（二）里我们介绍了如何获取代理IP并验证，涉及了多线程编程和数据存储的知识。此次我们将在前两节的基础上，对证券之星全站的行情数据进行爬取。第一节的思路爬一个栏目的数据尚可，爬上百个栏目的数据工作量就有点大了。下面我们先介绍下基础的爬虫架构。本文主要包含爬虫框架六大基础模块，分别为爬虫调度器、URL下载器、URL管理器、HTML下载器、HTML解析器、数据存储器。功能分析如下。
通用图形处理器设计GPGPU基础与架构（二）
最新发布
qq_57502075的博客
07-12 872
本文介绍了GPGPU编程的背景、CUDA编程实现步骤、软件到硬件的过度以及存储模型等内容，为后续介绍GPGPU架构提供理论基础。
Retrieval-Augmented Generation讲解
11-11
在问答和对话的场景下，通常可以通过检索和生成两种方式得到一个回复。检索式回复是在外部知识 库中检索出满意的回复，较为可靠和可控，但回复缺乏多样性；而生成式回复则依赖于强大的语言模 型中储存的内部知识，不可控，解释性差，但能生成更丰富的回复。把检索和生成结合起来， Facebook AI research 联合 UCL 和纽约大学于 2020 年提出：外部知识检索加持下的生成模型， Retrieval-Augmented Generation (RAG) 检索增强生成。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值