前沿重器
栏目主要给大家分享各种大厂、顶会的论文和分享，从中抽取关键精华的部分和大家分享，和大家一起把握前沿技术。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。（算起来，专项启动已经是20年的事了！）
2023年文章合集发布了！在这里：又添十万字-CS的陋室2023年文章合集来袭
往期回顾
书接上文，最近选了一个开源的RAG项目进行进一步学习：https://github.com/netease-youdao/QAnything，后续一连几篇，会分几篇，从我的角度，给大家介绍这个项目，预计的目录如下：
在线推理流程：给定query进入后到给出回复结果的全流程处理。（本期）
本期是在线推理，即作为服务，一个query进来后到最终输出答案的全流程。
检索&粗排
精排
检索文档后处理
prompt和请求大模型
外部服务
回顾一下在“前沿重器[45] RAG开源项目Qanything源码阅读1-概述+服务”中提到的服务核心文件，所有的接口都是在qanything_kernel\qanything_server\sanic_api.py里面启动的：
app.add_route(document, "/api/docs", methods=['GET'])
app.add_route(new_knowledge_base, "/api/local_doc_qa/new_knowledge_base", methods=['POST']) # tags=["新建知识库"]
app.add_route(upload_weblink, "/api/local_doc_qa/upload_weblink", methods=['POST']) # tags=["上传网页链接"]
app.add_route(upload_files, "/api/local_doc_qa/upload_files", methods=['POST']) # tags=["上传文件"]
app.add_route(local_doc_chat, "/api/local_doc_qa/local_doc_chat", methods=['POST']) # tags=["问答接口"]
app.add_route(list_kbs, "/api/local_doc_qa/list_knowledge_base", methods=['POST']) # tags=["知识库列表"]
app.add_route(list_docs, "/api/local_doc_qa/list_files", methods=['POST']) # tags=["文件列表"]
app.add_route(get_total_status, "/api/local_doc_qa/get_total_status", methods=['POST']) # tags=["获取所有知识库状态"]
app.add_route(clean_files_by_status, "/api/local_doc_qa/clean_files_by_status", methods=['POST']) # tags=["清理数据库"]
app.add_route(delete_docs, "/api/local_doc_qa/delete_files", methods=['POST']) # tags=["删除文件"]
app.add_route(delete_knowledge_base, "/api/local_doc_qa/delete_knowledge_base", methods=['POST']) # tags=["删除知识库"]
app.add_route(rename_knowledge_base, "/api/local_doc_qa/rename_knowledge_base", methods=['POST']) # tags=["重命名知识库"]而推理，就是这里的local_doc_chat，直接看这个函数，就在qanything_kernel\qanything_server\handler.py里面。
async def local_doc_chat(req: request):
local_doc_qa: LocalDocQA = req.app.ctx.local_doc_qa
user_id = safe_get(req, 'user_id')
if user_id is None:
return sanic_json({"code": 2002, "msg": f'输入非法！request.json：{req.json}，请检查！'})
is_valid = validate_user_id(user_id)
if not is_valid:
return sanic_json({"code": 2005, "msg": get_invalid_user_id_msg(user_id=user_id)})
debug_logger.info('local_doc_chat %s', user_id)
kb_ids = safe_get(req, 'kb_ids')
question = safe_get(req, 'question')
rerank = safe_get(req, 'rerank', default=True)
debug_logger.info('rerank %s', rerank)
streaming = safe_get(req, 'streaming', False)
history = safe_get(req, 'history', [])
debug_logger.info("history: %s ", history)
debug_logger.info("question: %s", question)
debug_logger.info("kb_ids: %s", kb_ids)
debug_logger.info("user_id: %s", user_id)
not_exist_kb_ids = local_doc_qa.milvus_summary.check_kb_exist(user_id, kb_ids)
if not_exist_kb_ids:
return sanic_json({"code": 2003, "msg": "fail, knowledge Base {} not found".format(not_exist_kb_ids)})
file_infos = []
milvus_kb = local_doc_qa.match_milvus_kb(user_id, kb_ids)
for kb_id in kb_ids:
file_infos.extend(local_doc_qa.milvus_summary.get_files(user_id, kb_id))
valid_files = [fi for fi in file_infos if fi[2] == 'green']
if len(valid_files) == 0:
return sanic_json({"code": 200, "msg": "当前知识库为空，请上传文件或等待文件解析完毕", "question": question,
"response": "All knowledge bases {} are empty or haven't green file, please upload files".format(
kb_ids), "history": history, "source_documents": [{}]})
else:
debug_logger.info("streaming: %s", streaming)
if streaming:
debug_logger.info("start generate answer")
async def generate_answer(response):
debug_logger.info("start generate...")
for resp, next_history in local_doc_qa.get_knowledge_based_answer(
query=question, milvus_kb=milvus_kb, chat_history=history, streaming=True, rerank=rerank
):
chunk_data = resp["result"]
if not chunk_data:
continue
chunk_str = chunk_data[6:]
if chunk_str.startswith("[DONE]"):
source_documents = []
for inum, doc in enumerate(resp["source_documents"]):
source_info = {'file_id': doc.metadata['file_id'],
'file_name': doc.metadata['file_name'],
'content': doc.page_content,
'retrieval_query': doc.metadata['retrieval_query'],
'score': str(doc.metadata['score'])}
source_documents.append(source_info)
retrieval_documents = format_source_documents(resp["retrieval_documents"])
source_documents = format_source_documents(resp["source_documents"])
chat_data = {'user_info': user_id, 'kb_ids': kb_ids, 'query': question, 'history': history,
'prompt': resp['prompt'], 'result': next_history[-1][1],
'retrieval_documents': retrieval_documents, 'source_documents': source_documents}
qa_logger.info("chat_data: %s", chat_data)
debug_logger.info("response: %s", chat_data['result'])
stream_res = {
"code": 200,
"msg": "success",
"question": question,
# "response":next_history[-1][1],
"response": "",
"history": next_history,
"source_documents": source_documents,
}
else:
chunk_js = json.loads(chunk_str)
delta_answer = chunk_js["answer"]
stream_res = {
"code": 200,
"msg": "success",
"question": "",
"response": delta_answer,
"history": [],
"source_documents": [],
}
await response.write(f"data: {json.dumps(stream_res, ensure_ascii=False)}\n\n")
if chunk_str.startswith("[DONE]"):
await response.eof()
await asyncio.sleep(0.001)
response_stream = ResponseStream(generate_answer, content_type='text/event-stream')
return response_stream
else:
for resp, history in local_doc_qa.get_knowledge_based_answer(
query=question, milvus_kb=milvus_kb, chat_history=history, streaming=False, rerank=rerank
):
pass
retrieval_documents = format_source_documents(resp["retrieval_documents"])
source_documents = format_source_documents(resp["source_documents"])
chat_data = {'user_id': user_id, 'kb_ids': kb_ids, 'query': question, 'history': history,
'retrieval_documents': retrieval_documents, 'prompt': resp['prompt'], 'result': resp['result'],
'`': source_documents}
qa_logger.info("chat_data: %s", chat_data)
debug_logger.info("response: %s", chat_data['result'])
return sanic_json({"code": 200, "msg": "success chat", "question": question, "response": resp["result"],
"history": history, "source_documents": source_documents})来挑几个重点讲讲：
首先因为是正式项目，在鉴权、数据库检测上都做了很多健壮性的处理，例如，对
user_id的判别、对数据库及其对应用户的权限判别check_kb_exist，再者还有知识库的判空等。此处有区分是否使用了流式
streaming。最终结果的输出有进行结构化，结构化这事的业务代码专门弄了个函数
format_source_documents。这里区分了
retrieval_documents和source_documents，两者有所区别，我在后面展开聊关键算法流程的时候会展开讲。get_knowledge_based_answer是内部获取知识点并进行生成的关键函数，就是上一条所说的关键算法流程。
get_knowledge_based_answer的函数很简单，不过单独拿出来，对可读性是有挺大帮助的。
def format_source_documents(ori_source_documents):
source_documents = []
for inum, doc in enumerate(ori_source_documents):
# for inum, doc in enumerate(answer_source_documents):
# doc_source = doc.metadata['source']
file_id = doc.metadata['file_id']
file_name = doc.metadata['file_name']
# source_str = doc_source if isURL(doc_source) else os.path.split(doc_source)[-1]
source_info = {'file_id': doc.metadata['file_id'],
'file_name': doc.metadata['file_name'],
'content': doc.page_content,
'retrieval_query': doc.metadata['retrieval_query'],
'kernel': doc.metadata['kernel'],
'score': str(doc.metadata['score']),
'embed_version': doc.metadata['embed_version']}
source_documents.append(source_info)
return source_documentsRAG推理流程
RAG说白了就是先搜后交给大模型生成，终于讲到这段代码了，流程在这里qanything_kernel\core\local_doc_qa.py。
@get_time
def get_knowledge_based_answer(self, query, milvus_kb, chat_history=None, streaming: bool = STREAMING,
rerank: bool = False):
if chat_history is None:
chat_history = []
retrieval_queries = [query]
source_documents = self.get_source_documents(retrieval_queries, milvus_kb)
deduplicated_docs = self.deduplicate_documents(source_documents)
retrieval_documents = sorted(deduplicated_docs, key=lambda x: x.metadata['score'], reverse=True)
if rerank and len(retrieval_documents) > 1:
debug_logger.info(f"use rerank, rerank docs num: {len(retrieval_documents)}")
retrieval_documents = self.rerank_documents(query, retrieval_documents)
source_documents = self.reprocess_source_documents(query=query,
source_docs=retrieval_documents,
history=chat_history,
prompt_template=PROMPT_TEMPLATE)
prompt = self.generate_prompt(query=query,
source_docs=source_documents,
prompt_template=PROMPT_TEMPLATE)
t1 = time.time()
for answer_result in self.llm.generatorAnswer(prompt=prompt,
history=chat_history,
streaming=streaming):
resp = answer_result.llm_output["answer"]
prompt = answer_result.prompt
history = answer_result.history
# logging.info(f"[debug] get_knowledge_based_answer history = {history}")
history[-1][0] = query
response = {"query": query,
"prompt": prompt,
"result": resp,
"retrieval_documents": retrieval_documents,
"source_documents": source_documents}
yield response, history
t2 = time.time()
debug_logger.info(f"LLM time: {t2 - t1}")首先注意到这里有个装饰器@get_time。可以用来记录执行的时间。
def get_time(func):
def inner(*arg, **kwargs):
s_time = time.time()
res = func(*arg, **kwargs)
e_time = time.time()
print('函数 {} 执行耗时: {} 秒'.format(func.__name__, e_time - s_time))
return res
return inner检索&粗排
get_source_documents是检索的过程，即给定了retrieval_queries和milvus_kb，即query和所需要查的数据库，开始进行查询。这个过程应该大家都比较熟悉了，这个的返回结果，会放在retrieval_documents里面，即“检索到的文档”，我把源码放出来。
def get_source_documents(self, queries, milvus_kb, cosine_thresh=None, top_k=None):
milvus_kb: MilvusClient
if not top_k:
top_k = self.top_k
source_documents = []
embs = self.embeddings._get_len_safe_embeddings(queries)
t1 = time.time()
batch_result = milvus_kb.search_emb_async(embs=embs, top_k=top_k, queries=queries)
t2 = time.time()
debug_logger.info(f"milvus search time: {t2 - t1}")
for query, query_docs in zip(queries, batch_result):
for doc in query_docs:
doc.metadata['retrieval_query'] = query # 添加查询到文档的元数据中
doc.metadata['embed_version'] = self.embeddings.embed_version
source_documents.append(doc)
if cosine_thresh:
source_documents = [item for item in source_documents if float(item.metadata['score']) > cosine_thresh]
return source_documents_get_len_safe_embeddings给定query获取向量。在上一期“前沿重器[46] RAG开源项目Qanything源码阅读2-离线文件处理”有讲过，这个内部是请求一个向量模型的服务，背后的模型是需要和离线文件处理那个模型一致，所以部署同一个就会比较稳当，当然的，接口也是triton，一个grpc接口，有关GRPC，上次忘了放链接，这次放这里心法利器[6] | python grpc实践，非常建议大家详细了解并且学会。search_emb_async是用于做向量检索的。这个就是pymilvus的核心功能了。此处，查询出来还要过一个阈值卡控，对相似度达不到阈值的文档，需要过滤，阈值设置在
cosine_thresh。此处注意，这里的检索还涉及一个过程“粗排”，这个粗排是指查询数据库的时候，需要根据相似度进行排序，只取TOPN，毕竟如果不进行这个TOP的卡控，那数据库里所有的数据都会被查出来，这没什么意义了。这里之所以叫粗排，是因为这种相似度的对比是比较粗略的，只能过滤掉“肯定不是”的那些无关结果。具体“哪个好”，用额外的、更精准的模型来做会更好，达到“优中取优”的目的。这块的设计还可以展开，后面我再写文章聊吧。
留意到这一串代码：
retrieval_documents = sorted(deduplicated_docs, key=lambda x: x.metadata['score'], reverse=True)
if rerank and len(retrieval_documents) > 1:
debug_logger.info(f"use rerank, rerank docs num: {len(retrieval_documents)}")
retrieval_documents = self.rerank_documents(query, retrieval_documents)此处注意，这里的检索还涉及一个过程“粗排”，这个粗排是指查询数据库的时候，需要根据相似度进行排序，只取TOPN，毕竟如果不进行这个TOP的卡控，那数据库里所有的数据都会被查出来，这没什么意义了。这里之所以叫粗排，是因为这种相似度的对比是比较粗略的，只能过滤掉“肯定不是”的那些无关结果。具体“哪个好”，用额外的、更精准的模型来做会更好，达到“优中取优”的目的。这块的设计还可以展开，后面我再写文章聊吧。
精排
我们继续关注这里的rerank_documents，这个就是精排，或者像这里说的重排。
def rerank_documents(self, query, source_documents):
return self.rerank_documents_for_local(query, source_documents)
def rerank_documents_for_local(self, query, source_documents):
if len(query) > 300: # tokens数量超过300时不使用local rerank
return source_documents
source_documents_reranked = []
try:
response = requests.post(f"{self.local_rerank_service_url}/rerank",
json={"passages": [doc.page_content for doc in source_documents], "query": query})
scores = response.json()
for idx, score in enumerate(scores):
source_documents[idx].metadata['score'] = score
if score < 0.35 and len(source_documents_reranked) > 0:
continue
source_documents_reranked.append(source_documents[idx])
source_documents_reranked = sorted(source_documents_reranked, key=lambda x: x.metadata['score'], reverse=True)
except Exception as e:
debug_logger.error("rerank error: %s", traceback.format_exc())
debug_logger.warning("rerank error, use origin retrieval docs")
source_documents_reranked = sorted(source_documents, key=lambda x: x.metadata['score'], reverse=True)
return source_documents_reranked简单地，这里就是把所有召回回来的文章请求到重排服务来算分，根据算分来进行过滤和排序，筛选出最优的文章。和向量模型类似，一样是用triton部署的，看模型名像是QAEnsemble_embed_rerank。
检索文档后处理
更进一步，需要对文档进行后处理，即reprocess_source_documents函数。
def reprocess_source_documents(self, query: str,
source_docs: List[Document],
history: List[str],
prompt_template: str) -> List[Document]:
# 组装prompt,根据max_token
query_token_num = self.llm.num_tokens_from_messages([query])
history_token_num = self.llm.num_tokens_from_messages([x for sublist in history for x in sublist])
template_token_num = self.llm.num_tokens_from_messages([prompt_template])
# logging.info(f"<self.llm.token_window, self.llm.max_token, self.llm.offcut_token, query_token_num, history_token_num, template_token_num>, types = {type(self.llm.token_window), type(self.llm.max_token), type(self.llm.offcut_token), type(query_token_num), type(history_token_num), type(template_token_num)}, values = {query_token_num, history_token_num, template_token_num}")
limited_token_nums = self.llm.token_window - self.llm.max_token - self.llm.offcut_token - query_token_num - history_token_num - template_token_num
new_source_docs = []
total_token_num = 0
for doc in source_docs:
doc_token_num = self.llm.num_tokens_from_docs([doc])
if total_token_num + doc_token_num <= limited_token_nums:
new_source_docs.append(doc)
total_token_num += doc_token_num
else:
remaining_token_num = limited_token_nums - total_token_num
doc_content = doc.page_content
doc_content_token_num = self.llm.num_tokens_from_messages([doc_content])
while doc_content_token_num > remaining_token_num:
# Truncate the doc content to fit the remaining tokens
if len(doc_content) > 2 * self.llm.truncate_len:
doc_content = doc_content[self.llm.truncate_len: -self.llm.truncate_len]
else: # 如果最后不够truncate_len长度的2倍，说明不够切了，直接赋值为空
doc_content = ""
break
doc_content_token_num = self.llm.num_tokens_from_messages([doc_content])
doc.page_content = doc_content
new_source_docs.append(doc)
break
debug_logger.info(f"limited token nums: {limited_token_nums}")
debug_logger.info(f"template token nums: {template_token_num}")
debug_logger.info(f"query token nums: {query_token_num}")
debug_logger.info(f"history token nums: {history_token_num}")
debug_logger.info(f"new_source_docs token nums: {self.llm.num_tokens_from_docs(new_source_docs)}")
return new_source_docs这里的
llm，是一个自己封装好的大模型工具，具体是在qanything_kernel\connector\llm\llm_for_fastchat.py这个位置。里面支持计算token、请求大模型等通用功能。这个工具可以结合自己场景的需求搬过去直接使用。计算
limited_token_nums主要是方便组装prompt，避免某些文字被吃掉。这里是需要对文档进行新的拼接和调整，如果查询的文档太多太长，则需要截断，且截断的时候需要注意，要保证截断的位置必须是完整地句子，如果不够长直接不切了。
prompt和请求大模型
然后就是开始生成prompt，generate_prompt。说白了就是一个简单的拼接。另外，这里的prompt拼接，更多使用replace来完成，之前有看过别的模式，例如用字符串的format应该也可以，不过replace的适用范围会更广一些。
def generate_prompt(self, query, source_docs, prompt_template):
context = "\n".join([doc.page_content for doc in source_docs])
prompt = prompt_template.replace("{question}", query).replace("{context}", context)
return prompt顺带就看看他们的prompt吧，实际上并不复杂。
PROMPT_TEMPLATE = """参考信息：
{context}
---
我的问题或指令：
{question}
---
请根据上述参考信息回答我的问题或回复我的指令。前面的参考信息可能有用，也可能没用，你需要从我给出的参考信息中选出与我的问题最相关的那些，来为你的回答提供依据。回答一定要忠于原文，简洁但不丢信息，不要胡乱编造。我的问题或指令是什么语种，你就用什么语种回复,
你的回复："""最后一步就是开始请求大模型了。即generatorAnswer函数。
def generatorAnswer(self, prompt: str,
history: List[List[str]] = [],
streaming: bool = False) -> AnswerResult:
if history is None or len(history) == 0:
history = [[]]
logging.info(f"history_len: {self.history_len}")
logging.info(f"prompt: {prompt}")
logging.info(f"prompt tokens: {self.num_tokens_from_messages([{'content': prompt}])}")
logging.info(f"streaming: {streaming}")
response = self._call(prompt, history[:-1], streaming)
complete_answer = ""
for response_text in response:
if response_text:
chunk_str = response_text[6:]
if not chunk_str.startswith("[DONE]"):
chunk_js = json.loads(chunk_str)
complete_answer += chunk_js["answer"]
history[-1] = [prompt, complete_answer]
answer_result = AnswerResult()
answer_result.history = history
answer_result.llm_output = {"answer": response_text}
answer_result.prompt = prompt
yield answer_result这里就是请求大模型的基本话术了，相对还是比较简单的，一方面是请求大模型，另一方面是解析大模型内的结果。有留意到，这里有对内容做一些校验：
if response_text:
chunk_str = response_text[6:]
if not chunk_str.startswith("[DONE]"):
chunk_js = json.loads(chunk_str)
complete_answer += chunk_js["answer"]可以看出应该是有一些泛用性处理，能解决更多复杂的问题吧。
小结
本文把QAnything项目内的重要的推理部分穿讲了一遍，可以看出这个项目已经非常完成，基本具备上线所需的关键部分，同时也有很严格的校验逻辑，严格程度很高也比较稳定，经过这个学习，我自己对工程代码和具体实施的理解有了很大的提升，希望大家也有收获。
当然了，和我之前那个项目类似：心法利器[105] 基础RAG-大模型和中控模块代码（含代码），这只是最通用、常用的方案罢了，相比我之前的basic_rag项目，QAnything在服务的完整性、健壮性，以及文档处理上都有了很多的更新，但都不要指望用上就能达到很高的水准，需要进一步提升还需要更多内里的修炼，例如query理解辅助更好地提升检索的准确性，联合训练提升大模型和检索结果的协同，更深入定制的文档处理提升内容的可读性等。
2468
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
