使用langchain搭建自己的本地知识库系统（新）
受到启发，想在本地或者自己的服务器上面搭建一个知识库，所以就有了本文。
什么是 RAG
RAG 是retrieval-augmented-generation的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立LLM 的语料知识库。
LLM 现存的痛点
我们知道 LLM 的知识库是通过现有的网络公开的数据作为数据源来训练的，现在公开的很多模型他们基于的训练数据会比我们现在网络上公开的数据早很多，那自然就会产生一种问题，网络上最新的数据和知识 LLM 是不知道。还有一种情况就是很多企业他们对自己的数据的安全做的很好，也就是私有化数据（这些数据是有价值的，也是企业的立足之本）。这些数据网络上肯定是不存在，那自然 LLM 也是不知道的。
我们在提问LLM 对于一些不知道的知识时候，LLM 很多时候是不知道如何回答问题的。甚至会对我们的问题进行胡诌随机回答，也就是瞎说。
如何解决
那如何让 LLM 知道这些最新/私有的数据的知识呢❓
那就是 RAG。通过将模型建立在外部知识来源的基础上来补充回答。从而提高 LLM 生成回答的质量。
在基于 LLM实现的问答系统中使用 RAG 有三方面的好处：
- 确保
LLM可以回答最新，最准确的内容。并且用户可以访问模型内容的来源，确保可以检查其声明的准确性并最终可信。 - 通过将
LLM建立在一组外部的、可验证的事实数据之上，该模型将信息提取到其参数中的机会更少。这减少了LLM泄露敏感数据或“幻觉”不正确或误导性信息的机会。 RAG还减少了用户根据新数据不断训练模型并随着数据的变化更新训练参数的需要。通过这种方式企业可以减低相关财务成本。
现在支撑所有基础模型的是一种称为 transformer 的 AI 架构。它将大量原始数据转换为其基本结构的压缩表示形式。从这种原始表示开始，基础模型可以适应各种任务，并对标记的、特定于领域的知识进行一些额外的微调。
但是，仅靠微调很少能为模型提供在不断变化的环境中回答高度具体问题所需的全部知识，并且微调的时间周期还比较长。所以当时的 Facebook提出了 RAG，让 LLM 能够访问训练数据之外的信息。RAG 允许 LLM 建立在专门的知识体系之上，以更准确的方式回答问题。
简单介绍
LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它使应用程序能够：
- 具有上下文感知 能力：将语言模型与上下文源（提示说明、少量镜头示例、基于其响应的内容等）联系起来。
- 原因：依靠语言模型进行推理（关于如何根据提供的上下文回答，采取什么行动等）
安装 langchain 相关依赖包
- pip install langchain
- pip install langchain-community
- pip install langchain-core
- pip install langchain-experimental
- pip install langchain-experimental
- pip install “langserve[all]”
- pip install langchain-cli
- pip install langsmith
实现知识库
OpenAI 相关配置
如果你是不使用的 OpenAI 那么，你需要参考官网的关于 model I/O的部分去实例化你对应的 LLM model
本文中的LLM 使用的是 AZURE_OPENAI 的服务。
import os
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ["AZURE_OPENAI_API_KEY"] = ""
embedding model 账户配置
根据自己的实际 LLM情况去配置相关的参数
import os
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ["AZURE_OPENAI_API_KEY"] = ""
os.environ["OPENAI_API_VERSION"] = "2023-05-15"
os.environ["OPENAI_API_TYPE"] = "azure"
RAG 增强检索的流程图
代码执行流程
- 加载 langchain 相关包
- 加载 url 网页的文档并生成
langchain Documentraw_documents - 将
raw_documents拆分为适合embedding model能够处理大小的chunk小文档。 - 使用
embedding modelAPI 将小的chunk向量化，并保存向量数据库 - 构建
`RAGprompt提示，并使用变量{context}``{question}`, 并限定回答问题所使用的文本 - 使用
LCEL表达式构建RAGchain - 在 app/server.py 中添加
add_routes(app, rag_chroma_chain, path="/dify")代码 - 执行代码
langchain serve启动服务
代码实现
导入 langchain 的 百度千帆 embedding model
from langchain_community.embeddings import QianfanEmbeddingsEndpoint
我这里使用的百度千帆的
embedding model具体你要使用什那个产品的embedding model在对应的地方修改为自己的即可。
embedding model 的作用有两点
- 将我们拆分后的
documents做向量化，然后并保存到对应的向量数据库中。 - 用户在查找相关问题的时候，先从向量数据库中查找出相似的文档
也就是提供了存储和查询的功能。
定义 embedding model的初始化
import os
def embedQianfan():
os.environ["QIANFAN_AK"] = "" # 这里需要修改为自己的实际值
os.environ["QIANFAN_SK"] = "" # 这里需要修改为自己的实际值
embed = QianfanEmbeddingsEndpoint()
return embed
定义 OpenAI 实现
根据自己的账户情况去配置相关参数
def openai`LLM `() -> AzureChatOpenAI:
# 设置环境变量
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ["AZURE_OPENAI_API_KEY"] = ""
# os.environ["OPENAI_API_VERSION"] = "2023-05-15"
# os.environ["OPENAI_API_TYPE"] = "gpt-35-turbo"
from langchain_openai import AzureChatOpenAI
`LLM ` = AzureChatOpenAI(
azure_deployment="gpt-4",
openai_api_version="2023-05-15"
)
return `LLM `
OpenAI
如果你用的是 OpenAI 官方的服务，那么使用就更加的简单了
os.environ["OPENAI_API_KEY"] = getpass.getpass()
`LLM ` = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)
整体代码实现详解
# 导入 langchain 相关的依赖包
# 导入向量数据库（向量存储、查询）
from langchain_community.vectorstores import Chroma
# 导入 langchain 输出函数(格式化输出)
from langchain_core.output_parsers import StrOutputParser
# 导入 langchain Prompt 模板, prompt 管理
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.pydantic_v1 import BaseModel
# 导入 langchain 的 LCEL 解释器包
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
# 导入langchain 文本拆分器
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 导入 langchain 的文件加载器 (WebBaseLoader的功能是拉取网页数据，解析为 langchain Document 结构)
from langchain_community.document_loaders import WebBaseLoader
# 加载网页 https://docs.dify.ai/v/zh-hans/getting-started/readme 的数据
raw_documents = WebBaseLoader("https://docs.dify.ai/v/zh-hans/getting-started/readme").load()
# raw_documents = WebBaseLoader("https://docs.dify.ai/v/zh-hans/guides/knowledge-base").load()
# 将网页数据拆分为 chunk 的大小
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
all_splits = text_splitter.split_documents(raw_documents)
# 将文本编码为向量，并保存为向量
vectorstore = Chroma.from_documents(
documents=all_splits,
collection_name="`RAG`-chroma",
embedding=embedQianfan(),
)
retriever = vectorstore.as_retriever()
# 构建 `RAG` prompt
template = """Answer the question with chinese and based only on the following context:
{context}
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
# 初始化`LLM `
# model = ChatOpenAI()
model = openai`LLM `()
# 使用 LCEL 表达式构建 `RAG` chain
chain = (
RunnableParallel({"context": retriever, "question": RunnablePassthrough()})
| prompt
| model
| StrOutputParser()
)
# Add typing for input
class Question(BaseModel):
__root__: str
chain = chain.with_types(input_type=Question)
#
print(chain.invoke("dify 是什么"))
print(chain.invoke("dify 能干什么？请用列表形式回答"))
print(chain.invoke("dify 可以导入哪些数据？"))
print(china.invoke("dify如何导入 nation 数据？"))
启动项目
如果你使用的是 langchain serve 构建的，那么你可以按下面的启动命令启动服务。服务你只是一个单文件，那么执行 python 你的文件你的文件
langchain serve
langchain serve
<INFO: Will watch for changes in these directories: ['/Users/oo7/Developer/langchain/chat`LLM `']
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO: Started reloader process [87768] using WatchFiles
[INFO] [02-28 16:30:15] openapi_requestor.py:316 [t:140704718436288]: requesting `LLM ` api endpoint: /embeddings/embedding-v1
[INFO] [02-28 16:30:15] oauth.py:207 [t:140704718436288]: trying to refresh access_token for ak `r5KIlr***`
[INFO] [02-28 16:30:15] oauth.py:220 [t:140704718436288]: sucessfully refresh access_token
INFO: Started server process [87777]
INFO: Waiting for application startup.
__ ___ .__ __. _______ _______. _______ .______ ____ ____ _______
| | / \ | \ | | / _____| / || ____|| _ \ \ \ / / | ____|
| | / ^ \ | | | | | __ | (----`| |__ | |_) | \ / / | |__
| | / /_\ \ | . ` | | | |_ | \ \ | __| | / \ / | __|
| `----./ _____ \ | |\ | | |__| | .----) | | |____ | |\ ----. \ / | |____
|_______/__/ __\ |__| __| ______| |_______/ |_______|| _| `._____| __/ |_______|
LANGSERVE: Playground for chain "/pirate-speak/" is live at:
LANGSERVE: │
LANGSERVE: └──> /pirate-speak/playground/
LANGSERVE:
LANGSERVE: Playground for chain "/dify/" is live at:
LANGSERVE: │
LANGSERVE: └──> /dify/playground/
LANGSERVE:
LANGSERVE: See all available routes at /docs/
启动成功后访问地址： http://127.0.0.1:8000/dify/playground/
提问示例
- dify 是什么？
- dify 能干什么？请用列表形式回答
切换文档后继续提问，观察输出
- dify 可以导入哪些数据？
注意点：
1、文件拆分
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
文本拆分一定需要注意 embedding model 窗口所能处理的 token 数量。 如果超出则会出问题。
总结：
本文主要是介绍了如何使用 langchain 构建一个自己的知识库系统
- 介绍了知识库构建的
RAG相关的知识 - LLM 不能做什么，如何将最新的数据于 llm 相结合来提示 llm 的能力
langchain的基本介绍，他是一个用于开发由语言模型驱动的应用程序的框架- 向量数据库的作用：存储向量化后的文本然后提供查找语义相关的内容
- 构建知识库的步骤和相关代码的介绍
如何学习AI大模型？
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： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
