一、引言
在人工智能的浪潮中,大模型技术以其卓越的数据处理和语言理解能力,成为智能化进程的加速器。特别是检索增强生成(RAG)技术,它通过结合检索系统的高效性和生成模型的创造性,为智能问答系统的发展提供了新动力。本文将深入探讨如何利用LlamaIndex和Qwen2,实现RAG技术的快速部署和智能交互。
二、概述
本文将深入剖析LlamaIndex与Qwen2的结合,探讨如何实现高效的RAG技术,赋予AI大模型检索外部数据并生成精准回答的能力。我们将从技术原理到实践部署,逐步引导读者了解RAG技术的核心优势和应用潜力。
LlamaIndex是一种创新的索引构建工具,专为AI模型设计,能够高效地处理和索引化各类文档、网页等数据。它为Qwen2等大模型提供了访问和利用海量知识库的能力,极大地扩展了模型的应用场景和深度。
RAG技术的核心优势在于其结合了检索系统的快速响应和生成模型的创造性。LlamaIndex的引入,使得Qwen2能够快速检索到相关信息,并基于这些信息生成准确、丰富的回答,极大地提升了智能问答系统的性能和用户体验。
三、模型下载安装
1、下载语言模型
首先,我们需要下载Qwen2-7B-Instruct模型,以支持多语言对话能力。以下是使用snapshot_download函数进行模型下载的示例代码:
import torch``from modelscope import snapshot_download``# snapshot_download函数用于下载模型``model_dir = snapshot_download(``'qwen/Qwen2-7B-Instruct', # 模型名称``cache_dir='/root/autodl-tmp', # 缓存目录``revision='master' # 版本号``)
2、下载嵌入模型
同样,我们也需要下载bge-base-zh-v1.5模型,以支持中文文档的检索。下载过程与语言模型类似:
import torch``from modelscope import snapshot_download``# snapshot_download函数用于下载模型``model_dir = snapshot_download(``'AI-ModelScope/bge-base-zh-v1.5', # 模型名称``cache_dir='/root/autodl-tmp', # 缓存目录``revision='master' # 版本号``)
3、安装 LlamaIndex
通过pip命令安装LlamaIndex及其相关扩展包,为RAG技术的实践部署打下基础:
pip install llama-index``pip install llama-index-llms-huggingface``pip install llama-index-readers-web``pip install llama-index-core``pip install llama-index-llms-openai``pip install llama-index-llms-replicate``pip install llama-index-embeddings-huggingface
四、模型加载
1、导入依赖库
在设置模型之前,需要导入所有必要的依赖库:
import torch``from llama_index.core import Settings``from llama_index.core.node_parser import SentenceSplitter``from llama_index.llms.huggingface import HuggingFaceLLM``from llama_index.embeddings.huggingface import HuggingFaceEmbedding
2、设置提示模版
定义生成提示模板,以增强模型的回答生成能力:
# Set prompt template for generation (optional)``from llama_index.core import PromptTemplate``def completion_to_prompt(completion):``return f"<|im_start|>system\n<|im_end|>\n<|im_start|>user\n{completion}<|im_end|>\n<|im_start|>assistant\n"``def messages_to_prompt(messages):``prompt = ""``for message in messages:``if message.role == "system":``prompt += f"<|im_start|>system\n{message.content}<|im_end|>\n"``elif message.role == "user":``prompt += f"<|im_start|>user\n{message.content}<|im_end|>\n"``elif message.role == "assistant":``prompt += f"<|im_start|>assistant\n{message.content}<|im_end|>\n"``if not prompt.startswith("<|im_start|>system"):``prompt = "<|im_start|>system\n" + prompt``prompt = prompt + "<|im_start|>assistant\n"``return prompt
3、加载语言模型
配置Qwen2作为语言模型,并设定生成配置,包括上下文窗口大小和新令牌数量等参数:
# Set Qwen2 as the language model and set generation config``Settings.llm = HuggingFaceLLM(``model_name="/root/autodl-tmp/qwen/Qwen2-7B-Instruct",``tokenizer_name="/root/autodl-tmp/qwen/Qwen2-7B-Instruct",``#model_name="Qwen/Qwen2-7B-Instruct",``#tokenizer_name="Qwen/Qwen2-7B-Instruct",``context_window=30000,``max_new_tokens=2000,``generate_kwargs={"temperature": 0.7, "top_k": 50, "top_p": 0.95},``messages_to_prompt=messages_to_prompt,``completion_to_prompt=completion_to_prompt,``device_map="auto",``)
加载成功如下:
4、加载嵌入模型
选择适当的嵌入模型,以支持文档的向量化处理:
# Set embedding model``Settings.embed_model = HuggingFaceEmbedding(``model_name = "/root/autodl-tmp/AI-ModelScope/bge-base-zh-v1.5"``)
5、设置文件分块大小
定义文件分块大小,以优化检索效率:
# Set the size of the text chunk for retrieval``Settings.transformations = [SentenceSplitter(chunk_size=1024)]
五、构建索引
现在我们可以从文档或网站构建索引。
1、文档内容索引构建
以下代码片段展示了如何为本地名为’document’的文件夹中的文件(无论是PDF格式还是TXT格式)构建索引。
在文件夹中放入:谜语问答游戏.pdf
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader``documents = SimpleDirectoryReader("./document").load_data()``index = VectorStoreIndex.from_documents(``documents,``embed_model=Settings.embed_model,``transformations=Settings.transformations``)
2、网站内容索引构建
以下代码片段展示了如何为一系列网站的内容构建索引。
from llama_index.readers.web import SimpleWebPageReader``from llama_index.core import VectorStoreIndex, SimpleDirectoryReader``documents = SimpleWebPageReader(html_to_text=True).load_data(``["web_address_1","web_address_2",...]``)``index = VectorStoreIndex.from_documents(``documents,``embed_model=Settings.embed_model,``transformations=Settings.transformations``)
六、检索增强(RAG)测试
现在您可以输入查询,Qwen2 将基于索引文档的内容提供答案。
1、第一轮提问:
query_engine = index.as_query_engine()``your_query = "你是谁?"``print(query_engine.query(your_query).response)
输出:
根据给定的上下文信息,无法直接回答“你是谁?”这个问题,因为它要求提供身份或自我介绍的信息,而这在提供的内容中并未提及。所以,基于给定的信息集,这个问题的答案不能被确定。
2、第二轮提问:
`query_engine = index.as_query_engine()``your_query = "什么是属于你的,但其他人比你使用它更多?"``print(query_engine.query(your_query).response)`
输出:
你的名字。```
3、第三轮提问:
`query_engine = index.as_query_engine()``your_query = "路的左边有一座绿房子,路的右边有一座红房子。那么,白宫在哪里?"``print(query_engine.query(your_query).response)`
输出:
在美国华盛顿。
七、索引保存加载
1、索引保存到本地
数据默认存储在内存中。 要保留到磁盘(在):./storage (会自动在同级目录创建文件夹storage )
index.storage_context.persist()``
执行后保存文件如下:
2、从磁盘重新加载索引
from llama_index.core import StorageContext, load_index_from_storage``# rebuild storage context``storage_context = StorageContext.from_defaults(persist_dir="./storage")``# load index``index = load_index_from_storage(storage_context)
3、加载后重新测试
`query_engine = index.as_query_engine()``your_query = "没有翅膀我也能飞翔。没有眼睛我也能哭。每当我走的时候,黑暗就跟着我。我是什么?"``print(query_engine.query(your_query).response)`
输出:
一朵云。
八、结语
通过本文的实践部署,我们成功地将 LlamaIndex 与 Qwen2 结合,实现了高效的 RAG 技术。这不仅提升了智能问答系统的性能,也为开发者提供了一个强大的工具,以构建更加智能和响应迅速的 AI 应用。随着技术的不断发展,我们期待看到更多创新的 RAG 应用出现,推动 AI 领域的进步。
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。