书生大模型实战营第三期—基础岛第四关

• 任务要求：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。

• 构建RAG之前的回答效果

• 

• 获取知识库

• 新建llamaindex_RAG.py贴入以下代码

• 
  from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
  
  from llama_index.embeddings.huggingface import HuggingFaceEmbedding
  from llama_index.llms.huggingface import HuggingFaceLLM
  
  #初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
  embed_model = HuggingFaceEmbedding(
  #指定了一个预训练的sentence-transformer模型的路径
      model_name="/root/model/sentence-transformer"
  )
  #将创建的嵌入模型赋值给全局设置的embed_model属性，
  #这样在后续的索引构建过程中就会使用这个模型。
  Settings.embed_model = embed_model
  
  llm = HuggingFaceLLM(
      model_name="/root/model/internlm2-chat-1_8b",
      tokenizer_name="/root/model/internlm2-chat-1_8b",
      model_kwargs={"trust_remote_code":True},
      tokenizer_kwargs={"trust_remote_code":True}
  )
  #设置全局的llm属性，这样在索引查询时会使用这个模型。
  Settings.llm = llm
  
  #从指定目录读取所有文档，并加载数据到内存中
  documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
  #创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
  # 此索引将文档转换为向量，并存储这些向量以便于快速检索。
  index = VectorStoreIndex.from_documents(documents)
  # 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
  query_engine = index.as_query_engine()
  response = query_engine.query("xtuner是什么?")
  
  print(response)

  之后运行，结果为

•