QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

QAnything (Question and Answer based on Anything) 是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。

您的任何格式的本地文件都可以往里扔，即可获得准确、快速、靠谱的问答体验。

目前已支持格式: PDF，Word(doc/docx)，PPT，Markdown，Eml，TXT，图片（jpg，png等），网页链接，更多格式，敬请期待…

• 特点

• • 数据安全，支持全程拔网线安装使用。
  • 支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。
  • 支持海量数据问答，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好。
  • 高性能生产级系统，可直接部署企业应用。
  • 易用性，无需繁琐的配置，一键安装部署，拿来就用。
  • 支持选择多知识库问答。

• 架构

1.两阶段检索优势

知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段embedding检索，随着数据量增大会出现检索退化的问题，如下图中绿线所示，二阶段rerank重排后能实现准确率稳定增长，即数据越多，效果越好。

BCEmbedding是由网易有道开发的中英双语和跨语种语义表征算法模型库，其中包含 EmbeddingModel和 RerankerModel两类基础模型。EmbeddingModel专门用于生成语义向量，在语义搜索和问答中起着关键作用，而 RerankerModel擅长优化语义搜索结果和语义相关顺序精排。

BCEmbedding作为有道的检索增强生成式应用（RAG）的基石，特别是在QAnything [github]中发挥着重要作用。QAnything作为一个网易有道开源项目，在有道许多产品中有很好的应用实践，比如有道速读和有道翻译。

QAnything使用的检索组件BCEmbedding有非常强悍的双语和跨语种能力，能消除语义检索里面的中英语言之间的差异， 从而实现：

• 强大的双语和跨语种语义表征能力【基于MTEB的语义表征评测指标】。

• 基于LlamaIndex的RAG评测，表现SOTA【基于LlamaIndex的RAG评测指标】。

• 双语和跨语种优势

• • 现有的单个语义表征模型在双语和跨语种场景中常常表现不佳，特别是在中文、英文及其跨语种任务中。BCEmbedding充分利用有道翻译引擎的优势，实现只需一个模型就可以在单语、双语和跨语种场景中表现出卓越的性能。

EmbeddingModel支持中文和英文（之后会支持更多语种）；RerankerModel支持中文，英文，日文和韩文。

1.1 一阶段检索（embedding）

模型名称	Retrieval	STS	PairClassification	Classification	Reranking	Clustering	平均
bge-base-en-v1.5	37.14	55.06	75.45	59.73	43.05	37.74	47.20
bge-base-zh-v1.5	47.60	63.72	77.40	63.38	54.85	32.56	53.60
bge-large-en-v1.5	37.15	54.09	75.00	59.24	42.68	37.32	46.82
bge-large-zh-v1.5	47.54	64.73	79.14	64.19	55.88	33.26	54.21
jina-embeddings-v2-base-en	31.58	54.28	74.84	58.42	41.16	34.67	44.29
m3e-base	46.29	63.93	71.84	64.08	52.38	37.84	53.54
m3e-large	34.85	59.74	67.69	60.07	48.99	31.62	46.78
bce-embedding-base_v1	57.60	65.73	74.96	69.00	57.29	38.95	59.43

• 更详细的评测结果详见Embedding模型指标汇总。

1.2二阶段检索（rerank）

模型名称	Reranking	平均
bge-reranker-base	57.78	57.78
bge-reranker-large	59.69	59.69
bce-reranker-base_v1	60.06	60.06

• 更详细的评测结果详见Reranker模型指标汇总

• Reranker Evaluation Results

• • Task Type: Reranking

    Model	T2RerankingZh2En	MMarcoRerankingZh2En	AVG
    bge-reranker-base	63.94	63.79	63.87
    bge-reranker-large	64.13	67.89	66.01
    bce-reranker-base_v1	65.38	67.23	66.31

  • Summary on zh-en

    Model	Reranking	AVG
    bge-reranker-base	63.87	63.87
    bge-reranker-large	66.01	66.01
    bce-reranker-base_v1	66.31	66.31

  • Summary on all langs: ['en', 'zh', 'en-zh', 'zh-en']

    Model	Reranking (12)	AVG (12)
    bge-reranker-base	59.04	59.04
    bge-reranker-large	60.86	60.86
    bce-reranker-base_v1	61.29	61.29

  • Task Type: Reranking

    Model	T2RerankingEn2Zh	MMarcoRerankingEn2Zh	AVG
    bge-reranker-base	60.45	64.41	62.43
    bge-reranker-large	61.64	67.17	64.41
    bce-reranker-base_v1	63.63	67.92	65.78

  • Summary on en-zh

    Model	Reranking	AVG
    bge-reranker-base	62.43	62.43
    bge-reranker-large	64.41	64.41
    bce-reranker-base_v1	65.78	65.78

  • Task Type: Reranking

    Model	T2Reranking	MMarcoReranking	CMedQAv1	CMedQAv2	AVG
    bge-reranker-base	67.28	35.46	81.27	84.10	67.03
    bge-reranker-large	67.60	37.64	82.14	84.18	67.89
    bce-reranker-base_v1	70.25	34.13	79.64	81.31	66.33

  • Summary on zh

    Model	Reranking	AVG
    bge-reranker-base	67.03	67.03
    bge-reranker-large	67.89	67.89
    bce-reranker-base_v1	66.33	66.33

  • Task Type: Reranking

    Model	AskUbuntuDupQuestions	MindSmallReranking	SciDocsRR	StackOverflowDupQuestions	AVG
    bge-reranker-base	54.70	28.48	67.09	37.55	46.96
    bge-reranker-large	58.73	28.84	71.30	39.04	49.48
    bce-reranker-base_v1	56.54	30.73	75.79	42.88	51.48

  • Summary on en

    Model	Reranking	AVG
    bge-reranker-base	46.96	46.96
    bge-reranker-large	49.48	49.48
    bce-reranker-base_v1	51.48	51.48

• • Language: en
  • Language: zh
  • Language: en-zh
  • Language: zh-en

1.3 基于LlamaIndex的RAG评测（embedding and rerank）

NOTE:

• 在WithoutReranker列中，我们的bce-embedding-base_v1模型优于所有其他embedding模型。
• 在固定embedding模型的情况下，我们的bce-reranker-base_v1模型达到了最佳表现。
• bce-embedding-base_v1和bce-reranker-base_v1的组合是SOTA。
• 如果想单独使用embedding和rerank请参阅：BCEmbedding

2.LLM

开源版本QAnything的大模型基于通义千问，并在大量专业问答数据集上进行微调；在千问的基础上大大加强了问答的能力。 如果需要商用请遵循千问的license，具体请参阅：通义千问

• 🏄 在线试用QAnything
• 📚 在线试用有道速读
• 🛠️ 想只使用BCEmbedding(embedding & rerank)
• 📖 常见问题

2.1快速开始

必要条件

• For Linux|System| Required item | Minimum Requirement | Note | |---------------------------|--------------------------|---------------------------|-------------------------------------------------------------------------| |Linux | Single NVIDIA GPU Memory
  or Double NVIDIA GPU Memory | >= 16GB
  >= 11GB + 5G | NVIDIA 3090 x 1 recommended
  NVIDIA 2080TI × 2 recommended | | | NVIDIA Driver Version | >= 525.105.17 | | | | CUDA Version | >= 12.0 | | | | Docker version | >= 20.10.5 | Docker install | | | docker compose version | >= 2.23.3 | docker compose install |
• For Winodws 11 with WSL 2|System| Required item | Minimum Requirement | Note | |---------------------------|--------------------------|---------------------------|-----------------------------------------------------------------------------------------------| |Windows 11 with WSL 2| Single NVIDIA GPU Memory
  or Double NVIDIA GPU Memory | >= 16GB
  >= 11GB + 5G | NVIDIA 3090
  NVIDIA 2080TI × 2 | | | | GEFORCE EXPERIENCE | >= 546.33 |GEFORCE EXPERIENCE download | | | | Docker Desktop | >= 4.26.1（131620） | Docker Desktop for Windows |

下载安装

• step1: 下载本项目

git clone https://github.com/netease-youdao/QAnything.git

• step2: 进入项目根目录执行启动脚本 如果在Windows系统下请先进入wsl环境

cd QAnything
bash run.sh  # 默认在0号GPU上启动

• 指定单GPU启动

cd QAnything
bash run.sh 0  # 指定0号GPU启动 GPU编号从0开始 windows机器一般只有一张卡，所以只能指定0号GPU

• 指定多GPU启动

cd QAnything
bash run.sh 0,1  # 指定0,1号GPU启动，请确认有多张GPU可用，最多支持两张卡启动

开始体验

• 前端页面 运行成功后，即可在浏览器输入以下地址进行体验。

• 前端地址: http://your_host:5052/qanything/

• API 如果想要访问API接口，请参考下面的地址:

• API address: http://your_host:8777/api/

• For detailed API documentation, please refer to QAnything API 文档

• 关闭服务

bash close.sh

3.demo展示

视频链接：https://blog.csdn.net/sinat_39620217/article/details/135743659

信息抽取

网页问答

文件大杂烩

4.常见问题

• 在windows上执行docker-compose命令启动时报错：/bin/bash^M: bad interpreter: No such file or directory

• • 原因：在windows下创建编辑的shell脚本是dos格式的，而linux却是只能执行格式为unix格式的脚本，所以在windows上编辑过的文件在linux上(windows下执行wsl后的环境通常也是linux)执行时会报错。
  • 解决方案：将回车符替换为空字符串

• 在前端页面输入问题后，返回结果报错：Triton Inference Error (error_code: 4)

• • 将docker-compose-xxx.yaml中的freeren/qanyxxx:v1.0.9改为freeren/qanyxxx:v1.0.8
  • git clone https://www.wisemodel.cn/Netease_Youdao/qanything.git
  • cd qanything
  • git reset --hard 79b3da3bbb35406f0b2da3acfcdb4c96c2837faf
  • unzip models.zip
  • 替换掉现有的models目录
  • echo “v2.1.0” > models/version.txt # 手动避过版本检查
  • 原因：显存不够了，目前在问答过程中大模型和paddleocr占用的显存会逐渐上升且不释放，可能造成显存不够。
  • 解决方案：重启服务，优化显存的工作已在计划中
  • 原因2：如果发现显存够用，那是因为新版模型与部分显卡型号不兼容。
  • 解决方案：请更换为兼容模型和镜像，手动下载模型文件解压并替换models目录，然后重启服务即可。

• 在前端页面输入问题后，返回结果是类似后面的乱码：omiteatures贶.scrollHeight㎜eaturesodo Curse.streaming pulumi窟IDI贶沤贶.scrollHeight贶贶贶eatures谜.scrollHeight她是

• • 原因：显卡型号不支持，例如V100，请使用3080，3090，4080，4090等显卡，显存需要大于16G

• 服务启动报错，在api.log中显示：mysql.connector.errors.DatabaseError: 2003 (HY000): Can’t connect to MySQL server on ‘mysql-container-local:3306’ (111)

• • 原因：将之前的QAnything代码拉取下来后，复制了一份代码到其他的地址，其中有一个volumes是mivlus和mysql默认的本地数据卷，复制后可能导致了mysql的数据卷冲突，导致mysql无法启动。
  • 解决方案：删除冲突的数据卷volumes，重新启动服务

• 服务启动报错：ERROR: for qanything-container-local Cannot start service qanything_local: could not select device driver “nvidia” with capabilities: [[gpu]]

• • 原因：查看nvidia显卡驱动版本是否满足要求，windows下建议直接更新到最新版；另外检查下是否安装了NVIDIA Container Toolkit, windows下需要进入wsl2环境，再参考linux下安装方法：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#docker

• 服务启动报错：nvidia-container-cli: mount error: file creation failed: /var/lib/docker/overlay2/xxxxxx/libnvidia-ml.s0.1: file exists: unknown

• • 原因：在windows系统上使用docker-compose-linux.yaml启动
  • 解决方案：使用docker-compose-windows.yaml启动

参考链接：

https://github.com/netease-youdao/QAnything/blob/master

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。