1 理解检索增强生成(RAG)
检索增强生成(RAG)技术通过融合检索得到的文档和用户输入的查询,为语言模型注入了额外的上下文信息。这种结合不仅丰富了模型的知识库,还提升了其回答的准确性和相关性。
例如,当用户提出涉及特定个人信息或商业数据的问题时,RAG能够从预设的数据源中提取关键信息,辅助模型给出更加精准的答复。
简而言之,RAG技术就像是给语言模型配备了一个智能的背景知识库,使其在面对复杂问题时,能够做出更加明智的回应。
2 GraphRAG:通过图形结构增强上下文
GraphRAG技术在传统RAG的基础上更进一步,通过构建信息的图形网络,实现了对数据的深度理解和应用。这不仅仅是简单地检索相关文档,更重要的是能够洞察文档中实体间的复杂联系。
举个例子,假设数据集中包含了纽约、洛杉矶和芝加哥等城市的信息。GraphRAG不仅能够检索到这些城市的相关资料,还能识别并利用它们之间的各种关系,比如纽约与洛杉矶之间的贸易伙伴关系,或是洛杉矶与芝加哥之间的文化交流项目。
这样的技术使GraphRAG在处理信息时能够展现出更为丰富的洞察力和更深层次的分析能力。
3 设置环境
源码地址:
https://github.com/aniket-work/why_graphRAG_such_game_changer
创建虚拟环境:
python -m venv why_graphRAG_such_game_changer
激活环境:
why_graphRAG_such_game_changer\Scripts\activate (Windows) source why_graphRAG_such_game_changer/bin/activate (Unix/macOS
安装依赖项:
cd path/to/your/project pip install -r requirements.txt
使用Ollama拉取必要的模型:
ollama pull mistral ollama pull nomic-embed-text
安装Ollama:
-
访问Ollama官方网站:https://ollama.ai/
-
下载适合的操作系统的版本(Windows、macOS或Linux)。
-
按照操作系统提供的安装说明进行操作。
-
安装完成后,打开终端或命令提示符。
-
通过运行以下命令来验证安装:
ollama --version
初始化和使用GraphRAG:
python -m graphrag.index --init --root ragtest
下载数据
你可以下载任何你喜欢的数据,已经将一个小型的、基于场景的、面向关系的故事情节检查并放入了“input”文件夹中。
4 初始化过程
运行命令python -m graphrag.index --init --root ragtest
初始化GraphRAG时,以下一系列操作将会自动进行:
创建配置文件:
-
.env
:此文件包含运行GraphRAG管道所需的环境变量。它通常包括用于OpenAI API或Azure OpenAI端点的API密钥。例如:GRAPHRAG_API_KEY=<API_KEY>
-
settings.yaml
:此文件保存GraphRAG管道的设置。可以修改此文件以调整各种管道设置,例如Azure OpenAI的API基础、版本和部署名称。例如:llm: type: azure_openai_chat api_base: https://<instance>.openai.azure.com api_version: 2024-02-15-preview deployment_name: <azure_model_deployment_name>
-
prompts/
:此目录包含GraphRAG使用的默认提示。这些提示指导大型语言模型(LLM)生成回答。可以修改这些提示或运行自动提示调整命令以生成适应你数据的新提示。
5 目的和用途
-
.env
文件: -
目的:存储环境变量,包括用于验证对OpenAI或Azure OpenAI服务请求的API密钥。
-
用途:此文件由GraphRAG系统引用,以访问必要的凭据和配置设置。
-
settings.yaml
文件: -
目的:包含GraphRAG管道的详细配置设置,如API端点、模型版本和部署名称。
-
用途:此文件用于自定义GraphRAG管道的行为,允许用户指定使用哪个LLM以及如何与之交互。
-
prompts/
目录: -
目的:保存默认的LLM提示,指导模型生成回答。这些提示可以根据你的数据的具体需求进行定制。
-
用途:用户可以修改提示以提高生成回答的准确性和相关性。该目录还支持运行自动提示调整命令以创建新的、特定于数据的提示。
6 修改 settings.yaml
由于我们打算在本地运行graphRAG,需要对默认的 settings.yaml 文件进行一些更改。
encoding_model: cl100k_base skip_workflows: [] llm: api_key: ${GRAPHRAG_API_KEY} type: openai_chat model: mistral model_supports_json: true api_base: http://localhost:11434/v1 parallelization: stagger: 0.3 async_mode: threaded embeddings: async_mode: threaded llm: api_key: ${GRAPHRAG_API_KEY} type: openai_embedding model: nomic_embed_text api_base: http://localhost:11434/api
7 修改以使用 Ollama 嵌入
GraphRAG 本身不支持 Ollama 嵌入模型,但可以通过修改 GraphRAG 库中的特定文件来添加此支持。通过编辑 openai_embeddings_llm.py
文件,我们可以启用使用 Ollama 嵌入模型。这涉及导入必要的模块并更新代码以调用 Ollama 的嵌入函数,允许我们在 GraphRAG 管道中利用高级嵌入。
以下是如何更新 openai_embeddings_llm.py
文件的方法:
from typing_extensions import Unpack from graphrag.llm.base import BaseLLM from graphrag.llm.types import EmbeddingInput, EmbeddingOutput, LLMInput from .openai_configuration import OpenAIConfiguration from .types import OpenAIClientTypes import ollama class OpenAIEmbeddingsLLM(BaseLLM[EmbeddingInput, EmbeddingOutput]): """ 使用 Ollama 进行嵌入的自定义 LLM(大型语言模型)实现。 """ def __init__(self, client: OpenAIClientTypes, configuration: OpenAIConfiguration): """ 初始化 OpenAIEmbeddingsLLM 实例。 参数: client (OpenAIClientTypes): 与AI服务交互的客户端。 configuration (OpenAIConfiguration): AI服务的配置设置。 """ self._client = client self._configuration = configuration async def _execute_llm( self, input: EmbeddingInput, **kwargs: Unpack[LLMInput] ) -> EmbeddingOutput | None: """ 使用 Ollama 嵌入执行大型语言模型。 参数: input (EmbeddingInput): 嵌入模型的输入数据。 **kwargs (Unpack[LLMInput]): 模型参数的附加关键字参数。 返回: EmbeddingOutput | None: 模型的输出嵌入或如果没有输出则为 None。 """ args = { "model": self._configuration.model, **(kwargs.get("model_parameters") or {}), } embedding_list = [] for inp in input: embedding = ollama.embeddings(model="nomic-embed-text", prompt=inp) embedding_list.append(embedding["embedding"]) return embedding_list
8 使用 GraphRAG 运行查询
使用以下命令索引数据:
python -m graphrag.index --root .\ragtest
输出
运行查询以测试设置:
python -m graphrag.query --root .\ragtest --method global "How was the impact of Lily's action on villagers"
输出
9 结语
未来,人工智能在商业领域的影响力将日益增强。那些能够将人工智能技术有效融入其业务运营的公司,将具备更快的创新速度、更优质的客户服务体验,以及更高效的流程优化能力。GraphRAG技术的出现,仅是人工智能潜力的冰山一角。
随着时间推移,人工智能将变得更加精密复杂。它将不仅能够理解问题,还能生成贴近人类思维的回答。预计不久的将来,企业将见证一种新型人工智能系统的诞生——这些系统不仅能够回答问题,还能基于海量数据分析提供战略性的见解和建议。因此,对于任何希望在竞争中保持领先地位的企业而言,积极拥抱人工智能并持续关注其最新发展,显得尤为关键。这不仅是一个选择,更是一个必然的趋势。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。