基于langchain的工具调用实践--LLM对话与知识库问答

Bourras6ue

已于 2023-12-16 13:45:19 修改

阅读量2.6k

点赞数 24

文章标签：语言模型 langchain python 人工智能自然语言处理深度学习

于 2023-12-16 13:36:28 首次发布

本文链接：https://blog.csdn.net/Bourras6ue/article/details/135031790

版权

基于langchain的工具调用实践

实现内容

安装langchain框架
构建本地知识库，安装任一大模型
基于langchain和本地知识库实现问答功能

主要步骤

准备

根据https://github.com/chatchat-space/Langchain-Chatchat进行操作，使用最新版本。

在Anaconda3中创建虚拟环境，指定Python版本为3.10.12。由于个人笔记本性能有限，故采取轻量部署方案，即采用在线API实现LLM和Embeddings相关功能，这里我选用的是智谱API。将项目部署到本地后，在虚拟环境中输入pip install -r requirements_lite.txt安装依赖。推荐使用pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple更换pip源，可以不出错地安装依赖。

配置

根据https://github.com/chatchat-space/Langchain-Chatchat/wiki/%E5%8F%82%E6%95%B0%E9%85%8D%E7%BD%AE进行详细配置。先执行python copy_config_example.py以生成config文件及备份config_example。首先配置模型配置项model_config.py。LLM和Embeddings模型我均选用智谱API实现，因此需要更改模型名称及配置API：

# 选用的 Embedding 名称
EMBEDDING_MODEL = "zhipu-api"
# 要运行的 LLM 名称，可以包括本地模型和在线模型。列表中本地模型将在启动项目时全部加载。
LLM_MODELS = ["zhipu-api"]
# 线上模型配置
ONLINE_LLM_MODEL = {
    ...
    # 具体注册及api key获取请前往 http://open.bigmodel.cn
    "zhipu-api": {
        "api_key": "your_api_key",
        "version": "chatglm_turbo",  # 可选包括 "chatglm_turbo"
        "provider": "ChatGLMWorker",
    },
    ...
}

然后配置数据库配置kb_config.py。在这里我们需要配置默认使用的知识库（也可以运行时在WebUI中修改）。其余部分如分词器配置我们不用动。向量数据库使用faiss即可，无需安装faiss-gpu，因为lite版依赖已经安装了faiss-cpu，且性能足够。

DEFAULT_KNOWLEDGE_BASE = "your_kb_name"

这里你需要输入的是你的知识库的名称。要创建自己的知识库，需要在/knowledge_base文件夹新建文件夹（名称就作为你的知识库的名称），然后在其中放入需要AI学习的文件即可。如项目本身提供了知识库sample，那么可以通过DEFAULT_KNOWLEDGE_BASE = "sample"来将sample设置为默认使用的知识库。

其余所有没有提到的config文件都不用修改，采用默认设置即可。

接下来初始化知识库。运行python init_database.py --recreate-vs来初始化知识库。在构建知识库test时，会频繁报错no module named 'xxx'，这是因为读取.pdf或.pptx中的内容需要安装对应的依赖，使用pip install所有找不到的模块即可。注意，因为无法直接读取.pdf的文字内容，仅仅安装fitz还会报module 'fitz' has no attribute 'open'**的错误，还需要安装pymupdf来实现OCR功能。**这样就可以正常读取.pdf文件中的内容了。知识库初始化完毕后，还会生成向量文件。当看到已将向量库 ('kb_name', 'current_model_name') 保存到磁盘时，表示知识库构建成功。