LLM大模型LangChain的RAG实践

最新推荐文章于 2024-07-18 18:43:19 发布
最新推荐文章于 2024-07-18 18:43:19 发布
阅读量347 收藏 20
点赞数 8
文章标签： langchain ai大模型 人工智能 产品经理 大数据 llama RAG
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/Langchain/article/details/140527144
版权

1. 什么是RAG

RAG的概念最先在2020年由Facebook的研究人员在论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中提出来。在这篇论文中他们提出了两种记忆类型：

  • 基于预训练模型（当时LLM的概念不像现在这么如日中天，但LLM也可以被归类为预训练模型）的参数型记忆；
  • 基于向量的非参数型记忆。

RAG技术将这两种记忆类型进行了整合，最终，在知识密集型的NLP任务上，比如QA，比单独使用上述两种类型的记忆获得了更好的效果。接下来将具体介绍RAG如何来补充LLM的一些短板，以及在两种记忆的具体体现，并使用LangChain来实现基本RAG流程。

2. LLM面临的挑战和RAG带来的好处

目前来看，LLM是几乎是解决各个任务的最佳解决方案。在通用聊天这一领域，很多大模型都能够实现接近人类的水平表现。但它的表现也不是完美，也存在着诸多不足：

  • 在没有答案的情况下提供虚假的信息（幻觉）；
  • 在专业领域表现不足，无法给出回答，这和大模型使用的训练数据息息相关，很多领域的数据是相对粉封闭的；
  • 对于同样的问题可能会产生不同的回答，这在对问题答案稳定性要求高的领域是不能接受的；
  • 无法感知不断变化的知识。

可以把大模型比做一个刚毕业找到工作的大学生，他具备了很多通识性的知识，但对组织内部的专业知识知之甚少，因此需要尽快掌握组织内部的领域知识，可以让资深员工手把手的传输知识，也可以通过阅读组织内的文档吸收知识。与此类似，RAG通过问题匹配知识，并将知识带给大模型，再利用大模型出色的生成能力来回答问题，这样大模型这个“新人”就能变得专业，也能感知到不断变化的外部信息。

3. LangChain的RAG实践

在本节，我们将重点利用LangChain框架来进行RAG实践

3.1 RAG架构

典型的RAG架构与搜索引擎的架构类型，分为离线和在线部分，其中离线部分是对数据进行索引，这里的索引和传统的搜索引擎的倒排索引不同，这里的索引是对数据的向量化，如图（来自LangChain官网）

image.png

从图中我们可以清晰的看到，在离线索引阶段，总共有4个主要的步骤：

  1. 加载内容，非结构化数据通常需要提取内容，比如从word文档、pdf文档中提取文本内容；
  2. 内容分块，将提取的内容进一步切分为小块（chunk），这样在匹配问题时可以将上下文缩减到很小；
  3. 对于每个分块的内容获取其向量（embedding），这个获取向量的过程可以借助大模型本身的能力来实现，例如，gpt就提供了embedding的接口；
  4. 存储向量，将获取的向量通过向量数据库存储起来，方便查询。

这里最终存储的结果就是论文中提出的基于向量的非参数化的记忆。 接下来我们再来看在线（检索和生成）的部分，如图（来自LangChain官网）

image.png

在Question到大模型这条链路中，增加了Retrieve这个步骤。用户的问题被embedding后，会在向量库中匹配出最佳的内容，并和用户的问题一起，构成Prompt交给大模型，大模型根据这个Prompt再生成对应的答案返回给用户。除了第二节中提到的RAG带来的好处，这里还有一个工程层面的优势，通过Retrieve找到与问题最相关的知识，从而减少了上下文，压缩了Prompt的token数量。

上面两部分构成了RAG的基本架构，下面我们将使用LangChain来完整的实现一个RAG原型。

3.2 基于LangChain的RAG实现

为了方便我们对比效果，我们首先先实现一个直接将问题抛给大模型的流程，代码如下：

ini
复制代码
from langchain_community.llms import LlamaCpp
# 加载本地模型文件地址，使用mixtral-8*7B的大模型
model_home = "～/models/mixtral-8x7b-instruct-v0.1.Q8_0.gguf"
# 使用llm_model作为加载框架
llm_model = LlamaCpp(model_path=model_home)
prompt = "孙悟空几打白骨精？"
print(llm_model.invoke(prompt))

这里，我使用的是本地的大模型mixtral-8X7B-instruct 8位量化的版本，通过LlamaCpp框架进行加载。模型输出的答案为

erlang
复制代码
孙悟空与白骨精的第一次较量是在《西游记》第六回中发生的，这是在孙悟空带着猪八戒、沙和尚前来拜访时，白骨精就偷偷地上前来欺诈孙悟空和他的同伴们。当时，白骨精就利用孙悟空和他的同伴们对于自己还不知道的身份感到的好奇心进行了诱饵计 stratagem.

当时，孙悟空和他的同伴们都没有想到白骨精会是一个女妖的存在，所以他们都被白骨精诱饵计 seduction stratagem给骗了过来，而在此期间，孙悟空和他的同伴们都没有意识到到底是谁在利用他们的

可以看到，模型给出的答案，并不尽如人意。首先，“三打白骨精”这个故事并不是在原文第六回发生的，其次，给的答案并没有准确的回复“几打”这个问题。 即便是ChatGPT 3.5 也无法回答这样的问题。

image.png

我们尝试用RAG来解决这个问题。基于RAG的流程和架构，我们除了依赖大模型，还需要依赖一个用于向量存储和查询的引擎，为了方便，直接follow官方的样例，使用Chroma。

对于非参数化记忆，我先后选择了目录、《三打白骨精》这章内容和《三打白骨精》概要。

下面的代码实现了RAG的离线过程：

ini
复制代码
from langchain_community.document_loaders import DirectoryLoader
from langchain_community.embeddings import LlamaCppEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma

# 使用DirectoryLoader 加载文件，作为外部知识
loader = DirectoryLoader('/Users/trent/dev/data/rag', glob="**/*.txt")
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=256, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
embeddings = LlamaCppEmbeddings(model_path=model_home)
vectorstore = Chroma.from_documents(documents=splits, embedding=embeddings)

下面的代码实现了RAG的在线过程：

python
复制代码
import os
from langchain import hub
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 可以在LangSimth生成一个API key用于整个RAG链路的追踪
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "langSimth_api_key"

# 将向量存储作为retriever
retriever = vectorstore.as_retriever()
# 从[LangSmith Hub](https://smith.langchain.com/hub)拉取promt的模版
prompt = hub.pull("rlm/rag-prompt")

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm_model
    | StrOutputParser()
)

我们以RAG的形式再次进行提问：

arduino
复制代码
rag_chain.invoke("孙悟空几打白骨精?")

非参数化记忆的不同，得到的答案也不尽相同，对于这个问题，概要作为非参数化记忆，得到的答案最为准确。 下面是LangSmith中对利用三个外部文件进行试验的结果。

截屏2024-04-05 22.37.54.png

这里要推荐一下LangSmith这个可观测性组件，可以清晰的追踪到RAG的流程，以下图为例，既可以看到一次Q&A的全过程，又可以观测到Retriever的输入输出。

截屏2024-04-05 22.42.14.png

以上就是用LangChain实现的一个简单RAG流程。

Retriever这个组件的引入可以有效的增强LLM的能力，但也会带来新的挑战：

  1. 外部的知识如何选择，不同的外部知识会带来不一样的效果表现，这就要具体问题具体分析了；
  2. 外部的知识如何进行处理，chunk如何切分，chunk size如何设置等等；
  3. 提问的模板如何设置，好的提问模板可以充分利用LLM的能力，从工程上来讲，Context的长度也需要尽可能的精简。

这些问题，需要在具体的场景中进行具体的分析，同时也需要有合适的机制通过不断的反馈来积累最佳实践。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，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V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

二、640套AI大模型报告合集

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。

img

三、AI大模型经典PDF籍

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。

img

在这里插入图片描述

四、AI大模型商业化落地方案

img

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。
  • 内容：
    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
      - L1.4.1 知识大模型
      - L1.4.2 生产大模型
      - L1.4.3 模型工程方法论
      - L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
  • 内容：
    • L2.1 API接口
      - L2.1.1 OpenAI API接口
      - L2.1.2 Python接口接入
      - L2.1.3 BOT工具类框架
      - L2.1.4 代码示例
    • L2.2 Prompt框架
      - L2.2.1 什么是Prompt
      - L2.2.2 Prompt框架应用现状
      - L2.2.3 基于GPTAS的Prompt框架
      - L2.2.4 Prompt框架与Thought
      - L2.2.5 Prompt框架与提示词
    • L2.3 流水线工程
      - L2.3.1 流水线工程的概念
      - L2.3.2 流水线工程的优点
      - L2.3.3 流水线工程的应用
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
  • 内容：
    • L3.1 Agent模型框架
      - L3.1.1 Agent模型框架的设计理念
      - L3.1.2 Agent模型框架的核心组件
      - L3.1.3 Agent模型框架的实现细节
    • L3.2 MetaGPT
      - L3.2.1 MetaGPT的基本概念
      - L3.2.2 MetaGPT的工作原理
      - L3.2.3 MetaGPT的应用场景
    • L3.3 ChatGLM
      - L3.3.1 ChatGLM的特点
      - L3.3.2 ChatGLM的开发环境
      - L3.3.3 ChatGLM的使用示例
    • L3.4 LLAMA
      - L3.4.1 LLAMA的特点
      - L3.4.2 LLAMA的开发环境
      - L3.4.3 LLAMA的使用示例
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
  • 内容：
    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

学习计划：

  • 阶段1：1-2个月，建立AI大模型的基础知识体系。
  • 阶段2：2-3个月，专注于API应用开发能力的提升。
  • 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
  • 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的大模型 LLM 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🆓

在这里插入图片描述

Langchain
关注
  • 8
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LLM大模型测试训练语料数据
03-15
在预训练阶段，LLM 从大量未标记的文本数据中学习广泛的知识，然后将其存储在其模型参数中。它使 LLM 具有一定程度的语言理解和生成能力。预训练语料库可以包含各种类型的文本数据，如网页、学术资料、书籍，同时也...
LangChain开源大型语言模型（LLM）框架
11-09
LangChain是由Harrison Chase开发的一个框架，迎合了大型语言模型（LLM）的需求。在OpenAI的GPT-3取得巨大成功后，它的受欢迎程度激增，可以说，GPT-3.5和GPT-4更是如此。2022年10月底推出的LangChain利用了这些进展...
【LLM大模型】基于LangChain构建RAG应用
2301_81888214的博客
07-09 878
【LLM大模型】基于LangChain构建RAG应用
LangChain的RAG实践
2301_81940605的博客
04-12 1779
RAG技术将这两种记忆类型进行了整合，最终，在知识密集型的NLP任务上，比如QA，比单独使用上述两种类型的记忆获得了更好的效果。接下来将具体介绍RAG如何来补充LLM的一些短板，以及在两种记忆的具体体现，并使用LangChain来实现基本RAG流程。
LLM 大模型框架 LangChain 可观测性最佳实践
2301_81940605的博客
03-10 1031
LLM（Large Language Model）大模型的可观测性是指对模型内部运行过程的理解和监控能力。由于LLM大模型通常具有庞大的参数量和复杂的网络结构，因此对其内部状态和运行过程的理解和监控是一个重要的问题。
#LLM入门 | langchain | RAG # 4.5_检索(Retrieval)
weixin_45312236的博客
05-22 1534
MMR 算法可以实现兼具相关性与多样性的检索结果，避免信息冗余。定义元数据字段可以进行针对性过滤，提升匹配准确率。SelfQueryRetriever 模块通过语言模型自动分析语句，提取查询字符串与过滤条件，无需手动设置，使检索更智能。ContextualCompressionRetriever 实现压缩检索，仅返回与问题相关的文档片段，可以大幅提升效率并节省计算资源。除向量检索外，还简要介绍了基于 SVM 和 TF-IDF 的检索方法。
大模型LLM，RAG实战.zip
03-14
标题中的“大模型LLM，RAG实战”指的是在自然语言处理领域中，大型语言模型（Large Language Models, LLM）的应用，特别是Relevance-Aware Generation（RAG）模型的实际操作。RAG是一种结合了检索式和生成式模型优势...
LLM大模型技术分析（Python）
12-19
标题 "LLM大模型技术分析（Python）" 暗示了我们正在探讨的是一个基于Python编程语言的大规模语言模型（Large Language Model, LLM）。这类模型通常用于自然语言处理任务，如机器翻译、文本生成、问答系统和对话代理...
LLM-RAG-WEB 大模型本地知识库召回
03-01
https://github.com/lonngxiang/LLM-RAG-WEB
大模型从入门到应用——LangChain：记忆（Memory）-[记忆的存储与应用]
冯·诺依曼
08-15 5707
Zep 是一个存储、摘要、嵌入、索引和丰富对话式人工智能聊天历史记录的工具，并通过简单、低延迟的API进行访问。[3] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架：http://www.cnlangchain.com/[2] LangChain 🦜️🔗 中文网，跟着LangChain一起学LLM/GPT开发：https://www.langchain.com.cn/[1] LangChain官方网站：https://www.langchain.com/
基于语音识别的会议记录系统
最新发布
qq_51688022的博客
07-18 769
本文简要介绍了本科毕设“基于语音识别的会议记录系统”的开发思路与成果
2024Datawhale AI夏令营---基于术语词典干预的机器翻译挑战赛--学习笔记
weixin_61573157的博客
07-15 1076
机器翻译（Machine Translation，简称MT）是自然语言处理领域的一个重要分支，其目标是将一种语言的文本自动转换为另一种语言的文本。机器翻译的发展可以追溯到20世纪50年代，经历了从基于规则的方法、统计方法到深度学习方法的演变过程。当前，机器翻译正朝着更加智能化和个性化方向发展。一方面，结合上下文理解、情感分析等技术，提高翻译的准确性和自然度；另一方面，通过用户反馈和个性化学习，提供更加符合用户需求的翻译服务。同时，跨语言信息检索、多模态翻译等新兴领域也正在成为研究热点。
昇思25天学习打卡营第14天|LLM-文本解码原理--以MindNLP为例
wwt72的博客
07-17 593
限制输出序列的最大长度为50个token。top-p=0.95，top-p采样表示在每一步生成token时，只从概率分布中累计概率达到95%的token中进行采样，有助于保持生成文本的流畅性和质量，同时允许一些低概率的token被选中，从而增加多样性。表示禁用了top-k采样，因为在top-k采样中，通常是从概率最高的k个token中随机选择一个token作为下一个输出，而这里设置为0表示不限制token的选择，实际上这将等同于使用 softmax 概率分布直接进行采样。这有助于提高生成文本的多样性。
揭示生成式 AI 在数据叙事和分析中的影响
gongdiwudu的专栏
07-16 1066
在广阔的数据分析领域，改变游戏规则的最深刻的发展之一是生成式人工智能 （GAI）。这是一个激动人心的时刻，人工智能不仅仅是基于历史数据进行处理和预测;它正在创造一些全新的东西，彻底改变数据叙事和分析过程。在最近的一次会议中，我有机会探讨了这项技术创新的基本原理、架构和潜在影响。以下是我们介绍的内容的简明摘要。
python训练模型报错：BrokenPipeError: [Errno 32] Broken pipe
Dxy1239310216的博客
07-18 200
如果问题持续存在，并且你的项目不是必须在 Windows 上运行，考虑在 Unix/Linux 系统上运行你的代码。确保在数据加载器中使用的任何自定义函数或类都是可序列化的，因为多进程需要能够在不同进程间传递它们。进行多进程数据加载时尤其常见，尤其是在 Windows 系统上，因为 Windows 对多进程的支持与 Unix/Linux 系统有所不同。有时候，错误可能是由其他部分的代码引起的，而不是直接由数据加载器引起。如果问题依然存在，你可能需要更详细地检查你的代码或寻求更专业的帮助。
ChaosMeta for AI：混沌工程让AI稳定性更上一层楼
samson
07-18 302
混沌工程的核心思想是“通过在真实环境中引入故障，评估和提升系统的稳定性”。在实际应用中，这意味着通过故意制造各种错误和故障，观察系统的表现，从而找出和修复系统的脆弱点。随着AI系统逐渐成为现代技术的支柱，混沌工程的应用范围也在不断扩展。输出内容：模拟历史已发生的故障，如输出乱码，通过注入代码篡改故障，检验系统的容错能力，确保终端用户看到的是稳定可用的内容。任意代码篡改：模拟意外代码修改对输出的影响。输入内容：通过对抗性样本测试，确保模型的合规合法，符合伦理道德标准。
Gradio从入门到精通（1）---快速入门
疯狂飙车的蜗牛的博客
07-15 1369
Gradio 是一个开源 Python 包，允许您为机器学习模型、API 或任何任意 Python 函数快速构建演示或 Web 应用程序。然后，您可以使用 Gradio 的内置共享功能在几秒钟内共享指向演示或 Web 应用程序的链接。无需 JavaScript、CSS 或 Web 托管经验！Gradio最大的特点就是简单，便捷，短短几行代码就可以快速构建大模型web应用程序；当前很多人工智能模型的演示都是使用Gradio打造的；您会注意到，为了制作第一个演示，您创建了该类的实例。
LLM大模型算不算系统架构
04-10
LLM大模型是一个语言模型，它可以用于自然语言处理任务，如文本生成、问答系统等。它是由CSDN自主开发的AI助手，具有强大的语言理解和生成能力。LLM大模型本身并不是一个系统架构，而是一个模型，可以作为系统架构中的一部分来使用。 在系统架构中，LLM大模型可以用于处理用户输入的文本数据，并生成相应的回答或响应。它可以与其他组件（如前端界面、数据库等）进行交互，实现一个完整的问答系统或智能助手。 因此，LLM大模型可以作为系统架构中的一部分，用于处理自然语言相关的任务，提供智能化的交互和响应能力。

“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