“ 本文介绍一个使用Langchain 结合向量数据库和大模型构建PDF聊天机器人的思路,这个简单的聊天机器人原型证明了从非结构化文档中提取信息,以进行问答的可行性。在此基础上,我们可以继续优化算法,扩大文档来源,提升问答的准确性与友好性。”
01
—
在用过ChatGPT聊天功能后,我们会很自然想到一个场景:能不能用它来帮助合并我自己的文档资料,并且提供文档的问答摘要。
这样不仅可以避免大模型在一些未训练的知识上胡说八道,还可以有效的利用我们自己的数据、文档。
最初的想法是使用特定文档数据对模型进行微调以实现此目标,但它可能成本高而且需要大量数据集。
此外,微调模型只能教它一项新技能,而不能提供有关文档的完整信息。
如果不采用微调,能想到的另一种方法是使用提示词(Prompt)在提示中提供文档 QA 的上下文。然而,ChatGPT 模型的token 长度有限,并且将大段的上下文传递给 API 也会造成使用成本增高,尤其是在处理大量文档时。
今天我们来尝试用Langchain这个开源工具来构建一个基于PDF文档的内容来聊天的ChatGPT机器人。
02
—
构建步骤:
- 首先加载文档(PDF、HTML、文本、数据库等)
- 然后,将数据分割成块,在数据之上创建嵌入以某种形式的数字表示数据,并在嵌入数据之上创建索引。这样我们就可以基于所有流行的算法进行语义搜索。
- 对于每个问题,我们将搜索索引和嵌入数据以仅提取相关信息。
- 将问题和相关数据传递到 LLM 模型中,在这里我们使用ChatGPT提供的开放接口API,也可以根据实际情况的需要,调用私有部署的各类开源大模型,例如ChatGLM,Llama2。
上图为项目的架构图:源文件经过Langchain 的工程化处理后,存放到向量数据库中。同时,用户询问的问题也经过embedding向量化后,再和向量库中的数据对比,哪个些数据最近,就返回给大模型,组成回答的内容,同时这次问答将存入聊天历史,供后续聊天继续使用。
03
—
开发要求 Python 版本不低于 3.7 才能运行。接下来的步骤是建立一个虚拟环境并安装以下的 Python 库
代码语言:javascript
复制
# # 创建虚拟环境
$ python3 -m venv llm_app_env
# # 在 MacOS 或 Linux 上
$ source llm_app_env/bin/activate
# # 在 Window 上
$ llm_app_env\Scripts\activate.bat
# # 然后安装以下库。
openai[embeddings]==0.27.6
langchain==0.0.155
pypdf==3.8.1
tiktoken==0.3.3
faiss-cpu==1.7.4
unstructured==0.6.2
chromadb==0.3.21
llama-index ==0.6.1
jupyterlab
LangChain是一个功能强大的开源工具,可以便捷地与大型语言模型交互,并构建应用程序。您可以将其看作是一个中间层,将您的应用程序连接到各种LLM大型语言模型提供商,如OpenAI、Cohere、Huggingface、Azure OpenAI等。
同时,为了实现工程落地目的。LangChain不仅仅提供了用于访问预训练语言模型的工具。它还提供了许多有用的特性和功能,允许您构建定制的应用程序和工具。例如:
- 使用自己的文档进行问答和文本摘要。
- 处理内存、长文档以及令牌数量有限的问题。
- 与OpenAI的ChatGPT检索器插件出色地集成。
- 多个Chains可以解决您所定义的问题,或者通过Agent将其提升到更智能的程度。
启动的 Jupyter Notebook 并开始编码。推荐使用谷歌的在线 Jupyter Notebook 平台。
https://colab.research.google.com/
设置 OpenAI API 密钥
代码语言:javascript
复制
import logging
import sys
import os
os.environ["OPENAI_API_KEY"] = "<YOUR_OPENAI_API_KEY>"
查看自己的OpenAI API Keys:
https://platform.openai.com/account/api-keys
加载并切分数据
代码语言:javascript
复制
## load the PDF using pypdf
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
# load the data
loader = PyPDFLoader('../notebooks/documents/Apple-Financial-Report-Q1-2022.pdf')
# the 10k financial report are huge, we will need to split the doc into multiple chunk.
# This text splitter is the recommended one for generic text. It is parameterized by a list of characters.
# It tries to split on them in order until the chunks are small enough.
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
data = loader.load()
texts = text_splitter.split_documents(data)
# view the first chunk
texts[0]
导入Chroma
Chroma 是嵌入式数据库,不像传统的 SQL 数据库或NoSQL 数据库。它是嵌入数据库,很适合构建 LLM 应用程序。
官方地址:
https://www.chroma.com/
资料内容以纯文本形式呈现,这导致了根据问题在其中查找相关信息变得困难。
以寻找苹果公司上一季度收入并将其与往年进行比较为例,若文档有1000页,那将是多么具有挑战性和耗时的任务呢?
因此,为了让搜索变得更加便捷,我们首先需要将单词或短语用数字格式表示,以供机器学习模型使用。
换言之,我们需要帮助机器理解文本。嵌入是将每个单词或短语映射到实数向量(通常有数百个维度)的方式,这使得相似的词汇在嵌入空间中也能映射到相似的向量。
**使用嵌入的主要优势之一在于它们能够捕捉到单词或短语之间的语义和句法关系。**例如,在嵌入空间中,"国王"和"女王"的向量会比"苹果"的向量更加接近,因为它们在语义上与皇家头衔相关。
因此,嵌入式数据库就是为此而生。它将所有嵌入数据储存在数据库中,并为我们提供索引,以便进行数据检索等操作,并且这一过程是可以扩展的。
如果我们需要找出上一季度苹果公司的收入,首先我们会在嵌入数据库,比如Chroma,上执行类似的相似性搜索或语义搜索,以提取相关信息并将该信息输入到LLM模型中,从而获得答案。
上面的步骤虽然说起来很复杂,但是Langchain已经封装好了相应的函数,让我们开始动手。
代码语言:javascript
复制
# import Chroma and OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.embeddings.openai import OpenAIEmbeddings
# initialize OpenAIEmbedding
embeddings = OpenAIEmbeddings(model='text-embedding-ada-002')
# use Chroma to create in-memory embedding database from the doc
docsearch = Chroma.from_documents(texts, embeddings, metadatas=[{"source": str(i)} for i in range(len(texts))])
## perform search based on the question
query = "What is the operating income?"
docs = docsearch.similarity_search(query)
接着,我们进行相似性搜索,从嵌入式数据库中获取与之相关的信息。
使用Langchain的主要组件之一Chain将LLM大模型引入到我们的代码中。
Langchain中预建问答chain有四种类型:
- 问题解答:load_qa_chain
- 来源问答:load_qa_with_sources_chain
- 检索问题答案:RetrievalQA
- 使用来源进行检索问答:RetrievalQAWithSourcesChain
它们非常相似,在底层,RetrievalQA 和 RetrievalQAWithSourcesChain分别使用load_qa_chain 和 load_qa_with_sources_chain,唯一的区别是前两个将所有嵌入馈送到 LLM,而后两个仅向 LLM 馈送相关信息。
我们可以使用前两个先提取相关信息并将该信息仅提供给 LLM。此外,前两个比后两个给我们带来了更多的灵活性。
导入必要的依赖库
代码语言:javascript
复制
## importing necessary framework
from langchain.chains.question_answering import load_qa_chain
from langchain.chains.qa_with_sources import load_qa_with_sources_chain
from langchain.chains import RetrievalQA
from langchain.chains import RetrievalQAWithSourcesChain
from langchain.chat_models import ChatOpenAI
尝试使用 4 种不同的问答chain。
1. load_qa_chain
代码语言:javascript
复制
## use LLM to get answering
chain = load_qa_chain(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'),
chain_type="stuff")
query = "What is the operating income?"
chain.run(input_documents=docs, question=query)
2. load_qa_with_sources_chain
代码语言:javascript
复制
chain = load_qa_with_sources_chain(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'),
chain_type="stuff")
query = "What is the operating income?"
chain({"input_documents": docs, "question": query}, return_only_outputs=True)
3. RetrievalQA
代码语言:javascript
复制
qa=RetrievalQA.from_chain_type(llm=ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'), chain_type="stuff",
retriever=docsearch.as_retriever())
query = "What is the operating income?"
qa.run(query)
4. RetrievalQAWithSourcesChain
代码语言:javascript
复制
chain=RetrievalQAWithSourcesChain.from_chain_type(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'), chain_type="stuff",
retriever=docsearch.as_retriever())
chain({"question": "What is the operating income?"}, return_only_outputs=True)
一个基于PDF文档的问答聊天机器人原型已经完成开发。
该聊天机器人可以读取PDF文档内容,并据此进行问答交互。用户可以向它提出与文档相关的问题,它可以给出相应的答案。
这个简单的聊天机器人原型证明了从非结构化文档中提取信息,以进行问答的可行性。在此基础上,我们可以继续优化算法,扩大文档来源,提升问答的准确性与友好性。
参考资料:
https://medium.com/how-ai-built-this/zero-to-one-a-guide-to-building-a-first-pdf-chatbot-with-langchain-llamaindex-part-1-7d0e9c0d62f
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。