引言
前面介绍了[使用RAG-GPT和OpenAI快速搭建LangChain官网智能客服]。有些场景，用户可能无法通过往外网访问OpenAI等云端LLM服务，或者由于数据隐私等安全问题，需要本地部署大模型。本文将介绍通过[RAG-GPT]搭建智能客服。
RAG技术原理介绍
在介绍RAG-GPT项目之前，我们首先要理解RAG的基本原理，RAG在问答系统中的一个典型应用主要包括三个模块，分别是：
- Indexing（索引）：将文档分割成chunk，编码成向量，并存储在向量数据库中。
- Retrieval（检索）：根据用户输入query和向量数据库中chunks语义相似度检索与问题最相关的前k个chunk，形成本次问答的上下文。
- Generation（生成）：将原始问题和检索到的chunks整合形成合适的prompt一起输入到LLM中，让LLM输出与上下文有关的回答。
智能文档的在线检索流程可以用一张图说明，上图中展示了一个完整的问答流程：
- 用户发起query
- 结合Bot实际应用场景，评估是否对query进行rewrite
- Retieval模块根据query检索出Indexing中的相关的文档
- 将召回的文档进行Reranking
- 并且根据relevance score进行过滤，过滤掉低质的文档
- 形成合适的Prompt后输入到LLM大模型中，最后生成答案
以上是对RAG技术的基本介绍，如果想深入了解技术细节可以参考这篇文章：RAG技术全解析：打造下一代智能问答系统。
如何快速实现RAG的智能问答系统？
从RAG的原理介绍中可以看到要实现RAG整套架构还是存在一定工作量，需要构建索引、检索、集成LLM、Prompt优化等一系列模块，具有一定的难度。
基于此，RAG-GPT提供了一整套开源解决方案，旨在利用LLM和RAG技术快速搭建一个全功能的客服解决方案。该项目基于Flask框架，包括前端用户界面、后端服务和管理员控制台，为企业利用LLM搭建智能客服等对话场景提供了一个完整的自动化解决方案，可以帮助开发者快速搭建一个智能问答系统，且代码完全开源。
项目地址：github.com/open-kf/rag…
RAG-GPT的基本架构
RAG-GPT关键特性：
- 内置LLM支持：支持云端LLM和本地LLM。
- 快速设置：只需五分钟即可部署生产级对话服务机器人。
- 多样化知识库集成：支持多种类型的知识库，包括网站、独立URL和本地文件。
- 灵活配置：提供用户友好的后台，配备可定制的设置以简化管理。
- 美观的用户界面：具有可定制且视觉上吸引人的用户界面。
从特性可以知道，RAG相比一些商业收费的基于知识库的问答系统优势在于：
- 易用、快速搭建。
- 能自主管理知识库，避免商业秘密和知识产权泄漏。
- 可以自主选择LLM模型和甚至扩展部署本地模型。
RAG-GPT 快速搭建智能问答系统
RAG-GPT的基本组成分为三部分：
- 智能问答后端服务
- 管理后台系统
- 用户使用的ChatBot UI。
下面，将介绍如何启动RAG-GPT项目和使用这三个模块，将RAG-GPT集成到你的网站只需要5个步骤：
1. 下载源代码，通过Git克隆RAG-GPT的GitHub仓库：
bash
复制代码git clone https://github.com/open-kf/rag-gpt.git && cd rag-gpt
2.配置环境变量
[!NOTE]
我们首先需要下载&安装Ollama。
然后下载
Embedding模型和LLM底座模型。
Ollama启动默认绑定的IP:PORT是127.0.0.1:11434，可以参考这篇文档修改默认配置。
Embedding模型我们选择mxbai-embed-large
LLM底座模型我们选择llama3
在启动RAG-GPT服务之前，需要修改相关配置，以便程序正确初始化。
bash
复制代码cp env_of_ollama .env
.env 文件中的变量
ini复制代码LLM_NAME="Ollama"
OLLAMA_MODEL_NAME="xxxx"
OLLAMA_BASE_URL="http://127.0.0.1:11434"
MIN_RELEVANCE_SCORE=0.3
BOT_TOPIC="OpenIM"
URL_PREFIX="http://127.0.0.1:7000/"
USE_PREPROCESS_QUERY=0
USE_RERANKING=1
USE_DEBUG=0
对 .env 中的变量做以下调整：
- 不要修改 LLM_NAME。
- 更新 OLLAMA_MODEL_NAME 设置，这里我们使用
llama3，请求和响应的API接口，可以和OpenAI兼容。 - 更新 OLLAMA_BASE_URL 设置，我们修改为
http://192.168.2.36:11434。注意，这里只需要配置IP:PORT，尾部不要加上/或者其它URI。 - 将 BOT_TOPIC 更改为你的机器人的名称。这非常重要，因为它将在
构造Prompt中使用。我在这里要搭建关于OpenSSL Cookbook的智能客服，所以改写为OpenSSL。 - 调整 URL_PREFIX 以匹配你的网站的域名。
- 有关常量的含义和用法的更多信息，可以查看 server/constant 目录下的文件。
3.执行启动命令
分别执行以下命令，即可启动。
[!NOTE]
请使用 Python 3.10.x 或以上版本。
先安装python依赖项
bash复制代码python3 -m venv myenv
source myenv/bin/activate
pip install -r requirements.txt
启动项目即可：
复制代码python create_sqlite_db.py
python rag_gpt_app.py
或者执行
复制代码sh start.sh
4.快速体验聊天效果
- 启动服务后先打开管理后台。
首先要登录到管理后台，浏览器输入：http://192.168.2.36:7000/open-kf-admin/
登录账号为：admin 密码 ：open_kf_AIGC@2024 .
- 导入知识库，这里上传
openssl-cookbook.pdf。
在管理后台切换到 Source tab，从本地磁盘上传openssl-cookbook.pdf，
然后点击 Upload 即可一键上传本地文档作为知识库。
上传本地文档到服务端后，初始状态是 Recorded。 服务端会通过一个异步任务解析上传的文档，并且计算Embedding，然后存入向量数据库。
服务端处理完后，可以看到上传文档的日志。
在admin页面，在管理后台上，上传文档展示的状态都是 Trained 。
浏览器打开http://192.168.2.36:7000/open-kf-chatbot/，就可以访问Bot了。
5.一键嵌入到网站
RAG-GPT提供了将聊天机器人嵌入到网站的方法，使得用户可以直接在网站上使用智能问答服务。
打开管理后台菜单切换到embed，复制两个代码即可实现一键嵌入，这两个代码片效果分别如下：一个是iframe嵌入一个聊天窗口，一个是在页面右下角点击弹出聊天窗口。
可以新建一个文本文件，将代码复制进去，用浏览器打开就可以看到嵌入效果了。
6.管理后台其他功能
- 管理员可以通过仪表板查看用户的历史请求记录，以便进行分析和优化。
可以按照时间、用户查询聊天记录和修改问答对的答案以更符合自身需求。
- 配置聊天对话的UI
用户可以定制化聊天对话框的风格，使其更符合自身网站的风格特性。
结语
RAG-GPT项目具备开源免费、易于部署集成、开箱即用和功能丰富的特点，为LLM大模型在特定领域的应用落地提供了一套企业级的解决方案。RAG-GPT已经支持本地文件知识库，集成国内LLM大模型等特性，使得RAG-GPT满足更多样化的需求。
关于我们
OpenIM是领先的开源即时通讯（IM）平台，目前在GitHub上的星标已超过13k。随着数据和隐私安全的重视以及信息技术的快速发展，政府和企业对于私有部署的IM需求急剧增长。OpenIM凭借“安全可控”的特点，在协同办公软件市场中占据了一席之地。在后AIGC时代，IM作为人机交互的首要接口，其价值愈发重要，OpenIM期待在此时代扮演更关键的角色。
读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
资源分享
大模型AGI学习包
资料目录
- 成长路线图&学习规划
- 配套视频教程
- 实战LLM
- 人工智能比赛资料
- AI人工智能必读书单
- 面试题合集
《人工智能\大模型入门学习大礼包》，可以扫描下方二维码免费领取！
1.成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。
2.视频教程
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，其中一共有21个章节，每个章节都是当前板块的精华浓缩。
3.LLM
大家最喜欢也是最关心的LLM（大语言模型）
《人工智能\大模型入门学习大礼包》，可以扫描下方二维码免费领取！
523
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
