构建本地知识库(下)：使用RAG构建知识库

目标

在上一篇文章中，我们已经尝试在本地部署了大模型以及利用langchain框架来构建起基于大模型的应用程序。在本章中，我们将更近一步，在现有的应用程序上尝试利用RAG来继续强化应用。

本章目标：利用langchain框架使用RAG构建对话应用。

RAG回顾

RAG全名检索增强生成，是一种利用外部知识库扩展模型知识的技术。基本的RAG由三部分构成：索引、检索和生成。他们的流程如下：

索引

构建索引的过程需要将外部的非结构化数据转换成向量表示并存储到向量数据库中。对于比较大的文件内容，我们首先还要对其进行分块，以适应LLM上下文的大小。转换之后的文本内容是一个高维的向量，具有相同语义的文本在高维空间中具有更高的相似度，通过这种方式来实现语义检索。

可以看出，在这个过程中，我们需要准备好以下几个组件：

• 加载器：负责结构化/非结构化数据的加载。
• 分割器：负责将数据分割成便于处理的块。
• Embeding模型：负责将数据内容嵌入成高维向量
• 向量数据库：负责将高维向量进行存储，供后续使用。

检索和生成

检索过程中，需要根据用户的问题进行检索。在这个过程中，检索器会根据用户的输入找出符合用户意图（简单实现即语义相似）的内容，将这部分内容作为上下文和用户问题一起组成prompt，并输入LLM， 由LLM处理并给出最终回复。

在这个过程中，需要准备的组件：

• embeding模型：用于将用户问题向量化，可以使用和索引部分相同的embeding模型。
• 检索器：用于根据用户问题召回最相关的内容。
• LLM：用于生成回复

基于langchain搭建RAG

经过以上分析，我们得知利用RAG技术来实现一个基于大模型的应用需要以下几个部分：加载器、分割器、Embeding模型、向量数据库、检索器和LLM。接下来我们看在langchain中如何实现。

加载器

加载器的实现方式有很多。在这里为了方便演示我们使用最基本的文本加载器。我们先建立文本如下：

2024年7月23日上海的天气是：16~37度，天气晴。苏州的温度是10~20度，天气雨。

然后我们使用文档加载器加载文档内容。

from langchain.document_loaders import TextLoader

loader = TextLoader("C:\Users\wyk\Desktop\small\tianqi.txt")
docs = loader.load()

加载后的内容如下：

[Document(metadata={'source': 'C:\Users\wyk\Desktop\small\tianqi.txt'}, page_content='2024年7月23日上海的天气是：16~37度，天气晴。苏州的温度是10~20度，天气雨。')]

在langchain中，

• langchain中的基础loader类叫做BaseLoader。不同加载类继承自该类。
• Document抽象用来表示一个文本单元及其元数据信息。一个独立的Document对象通常表示一个大文档的一个chunk。

分割器

langchain中有很多文本分割器，这里我们使用RecursiveCharacterTextSplitter。RecursiveCharacterTextSplitter能够递归拆分文本，这样做可以将相关的文本片段保持在一起。

from langchain_text_splitters import RecursiveCharacterTextSplitter
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)

分割之后的内容如下：

[Document(metadata={'source': 'C:\Users\wyk\Desktop\small\tianqi.txt'}, page_content='2024年7月23日上海的天气是：16~37度，天气晴。苏州的温度是10~20度，天气雨。')]

Embeding模型

目前主流的embeding模型项目包括FlagEmbedding, Ember, GTE and E5。我们选择FlagEmbedding中的小中文模型bge-small-zh-v1.5（大了可能本地跑不动）来演示效果。关于该模型的下载和使用参考我的另一篇文章。

向量数据库

向量数据库我们选择Chroma，因为它比较轻量，基于内存实现。方便作为演示。

from langchain_chroma import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
vectorstore = Chroma.from_documents(documents=splits, embedding=HuggingFaceEmbeddings(model_name='D:\model\embeding\bge-small-zh-v1.5'))

至此，我们完成了索引流程，外部知识已经被注入到向量数据库中。

检索器

在langchain中提供了简单的方法可以将VectorStore对象转换为检索器

retriever = vectorstore.as_retriever()

LLM

LLM依旧使用我们之前代码中定制的LLM（换了下底层模型，用qwen2:7B）。

#!/usr/bin/env python
from typing import List
import ollama

class CustomLLM1:
    @property
    def _llm_type(self) -> str:
        # 返回我们自定义的模型标记
        return "myLlaMA"
    #     return ChatResult(generations=[generation])
    def __call__(self, prompt: str) -> str:
        # 这里是调用自定义模型或API接口的逻辑
        # print(prompt)
        messages = [
            {"role": "user", "content": prompt.to_string()},
            # 如果需要，可以在这里添加更多的消息历史
        ]

        response = self.llama_completion(messages)
        return response 

    def llama_completion(self, messages: List[dict]) -> str:
        # 调用llama的接口，返回响应
        # return "Hello from llama!"
        print(messages)
        response = ollama.chat(model='qwen2:7b', messages=messages)
        print(response['message']['content'])
        return response['message']['content']

串联流程

利用langchain表达式，将上面的各个组件全都串联起来。

from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
# Retrieve and generate using the relevant snippets of the blog.
retriever = vectorstore.as_retriever()
prompt = PromptTemplate(input_variables=[], template="请回答以下问题：{question},相关信息：{context}")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)
llm = CustomLLM1()
rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

测试

为了对比效果，我们构建另一个没有RAG的chain做对比：

prompt2 = PromptTemplate(input_variables=[], template="请回答以下问题：{question}")
rag_chain2 = (
    {"question": RunnablePassthrough()}
    | prompt2
    | llm
    | StrOutputParser()
)
rag_chain2.invoke(input="今天上海天气如何？")

实现效果如下：

不带RAG	带RAG
抱歉，作为一个AI模型，我无法提供实时信息或进行在线查询。您需要查看最新的天气预报来获取准确的上海天气情况。通常您可以访问气象局官方网站、下载天气应用程序或者通过可靠的新闻来源获得最新的天气资讯。	根据您提供的信息，今天的上海天气是晴朗的，并且温度范围为16到37度。在同一天内，苏州的天气则有所不同，温度在10到20度之间，且有雨水。因此，如果您身处上海的话，可以期待一个晴热的日子，请记得采取适当的防晒措施以防止中暑，并确保补充水分。\n\n此外，由于苏州有雨的情况，您如果计划前往或是在苏州，则需要携带雨具以防淋湿。同时，在雨水天气下，路面可能较滑，注意行走安全。总体来说，两地的天气差异较大，需根据不同地点的具体情况来调整日常安排和穿着。

结论：可以看出，使用RAG的大模型应用能够获取到模型本身之外的新知识~。这对于构建知识库应用是非常重要的。

总结

本章中，我们回归了一下RAG的流程，并分析了下这个过程中涉及到的组件以及这些组件在langchain中对应的实现方式，并整合这些方式，实现了带RAG的大模型应用。通过这个实践过程，能够帮助我们更好的理解RAG的整个过程。（当然为了演示，我们这里实现的是最基础的RAG）。

在本篇文章内容中，除了RAG技术外，还涉及到两个知识内容：python和langchain,没有相关背景的同学可能会对涉及到这两个内容的地方会有些困惑。但没有关系，我也不熟，并且在这篇文章中这并不影响我们理解RAG的整个过程。因为这两部分内容也比较庞大，后续有机会我会开两个单独的专栏来讲解相关内容。本文我们关注的重点应该是RAG。

下一篇文章我会尝试跟进RAG最新的进展，尝试在本地部署一下GraphRAG，实践并讲解其中的原理，感兴趣的小伙伴可以关注下哦~

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

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。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

👉1.大模型入门学习思维导图👈

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AI大模型的同学，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。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

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，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓