【LLM大模型】从零实现大模型-GraphRAG，构建LLM中的关系数据库

最新推荐文章于 2024-08-12 21:18:42 发布
最新推荐文章于 2024-08-12 21:18:42 发布
阅读量257 收藏 24
点赞数 9
文章标签： 人工智能 大模型 llama langchain RAG GraphRAG LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pythonhy/article/details/141141283
版权

传统RAG

LLM预训练和微调一般都是基于公开的互联网数据，不可能包含公司内部私有数据，如果你问有关某公司的运营情况，直接基于模型参数生成的回答可能和胡说八道没什么两样。
RAG（Retrieval-Augmented Generation，检索增强生成）的思想就是将私有数据作为参考信息传递给LLM。这些私有数据除了作为一种补充信息，也可以作为一种限制，能避免LLM产生幻觉。

参考信息一般以文本、图片等非结构化形式存在。

RAG的流程是：

​在这里插入图片描述

  1. 首先要将文本划分成片段，然后将片段转换成向量存储到向量数据库中备用，这个向量就是这段文本语义信息的数字表示。
  2. 将用户查询转换成向量，并与所有文本片段向量进行相似度计算，取出top k个片段。
  3. 将用户查询和k个文本片段组织成特定prompt格式输入到LLM中。

GraphRAG

但传统的RAG仍有一些限制。

例如，基于某个公司的运营数据搭建RAG，由于LLM上下文大小的限制，划分的文本片段不可能太大，所以每个文本片段不可能包含太多信息。

如果你问某个员工去年的销售业绩，基于RAG，LLM很可能会给出准确回答，因为某个文本片段很可能包含了某个员工的年终总结信息。但如果你问该员工所在团队去年的销售情况呢？就算某个文本片段包含了该团队的销售数据，LLM也很难通过该员工找到团队的其它成员。

微软最近提出的GraphRAG(Graph-based Retrieval Augmented Generation) 就是解决这个问题。

GraphRAG就是将图和传统的RAG结合了起来。

构造知识图谱#

图是由节点和边组成的，节点可以表示各种实体，边表示实体之间的关系。

GraphRAG的核心就是构造知识图谱，可以通过GPT4或者使用像llamaindex（KnowledgeGraphIndex）这样的库构造知识图谱。

在这里插入图片描述

将公司运营文档构造成知识图谱：

  1. 识别出文档中包含的实体以及实体之间的关系（员工，同事）
  2. 将实体进行聚类（同组同事）
  3. 对每个聚类进行总结（销售情况）
  4. 将实体进行向量化，转换到图向量空间
  5. 提取实体对应的原始文本，并转换成向量

查询#

当用户提问时，首先在知识图谱中找到与用户提问语义相关的实体，同时找到与实体相关的原始文本，最后将这些信息组织成特定prompt格式输入给LLM。

在这里插入图片描述

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

Python秒杀
关注
  • 9
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
知识图谱大模型系列之 12 LLM 知识图谱构建器：从零到 GraphRAG 使用 LLM 知识图谱生成器在 GenAI 应用中提取和使用知识图谱(教程含源码)
iCloudEnd的博客
06-21 734
为了更深入地了解 LLM 知识图谱构建器，GitHub 存储库提供了大量信息，包括源代码和文档。此外，我们的文档提供了详细的入门指南，而GenAI 生态系统则提供了有关可用更广泛工具和应用程序的进一步见解。
知识图谱大模型系列之 11什么是 Neo4j LLM 知识图谱构建器？
iCloudEnd的博客
06-21 468
Neo4j LLM 知识图谱构建器是一款创新的在线应用程序，无需代码和密码即可将非结构化文本转换为知识图谱，提供神奇的文本到图形的体验。它使用 ML 模型（LLM：OpenAI、Gemini、Diffbot）将 PDF、网页和 YouTube 视频转换为实体及其关系的知识图谱。前端是一个基于我们的Needle Starter Kit的 React 应用程序，后端是一个 Python FastAPI 应用程序。
【LLM大模型】GraphRAG入门学习流程
Langchain的博客
07-30 706
GraphRAG 是一种基于图的检索增强方法，由微软开发并开源。它通过结合LLM和图机器学习的技术，从非结构化的文本中提取结构化的数据，构建知识图谱，以支持问答、摘要等多种应用场景。GraphRAG的特色在于利用图机器学习算法进行语意聚合和层次化分析，从而能够回答一些高层次的抽象或总结性问题，这是常规RAG系统的短板。
【LLM大模型】基于 AnythingLLM 及 Ollama 构建本地知识库
bagell的博客
08-01 787
RAG（Retrieval Augmented Generation）检索增强生成，是 2023 年最火热的 LLM 应用系统架构，它的作用简单来说就是通过检索获取相关的知识并将其融入 Prompt，让大模型能够参考相应的知识从而给出合理回答。现在的大模型在企业应用中存在着很多挑战，首先第一点就是大模型的世界知识是完全来自于模型预训练中提供的数据，是有限的，那么企业本身的业务知识与产品知识，这些大模型都是不知道的。如果通过微调等方式去给大模型补充这些知识，成本高且可控性低，大部分场景是不适合的。
Graph-RAG：知识图谱与大模型的融合
2401_82469710的博客
07-29 921
在数字化的浪潮中，知识的累积已非线性增长，以指数级的速度膨胀。我们站在一个信息过载的十字路口，迫切需要一种能力，能够穿透数据的迷雾，捕捉知识的精髓。本文将揭示 Graph-RAG 的神秘面纱，这是一种突破传统的技术，它将知识图谱的严谨结构与 RAG 的动态生成能力相结合，为我们提供了一种全新的理解和推理复杂数据的方法。
GraphRAG深入解析
马超的博客
07-25 1067
GraphRAG 建立在微软之前使用图机器学习的研究和工具的基础上。GraphRAG 流程的基本步骤包含索引和查询两部分。此时，我们有一个实体和关系的图、实体的社区层次结构以及 node2vec 嵌入。现在，我们希望基于社区数据并为每个社区生成报告。这让我们可以从多个粒度点对图表有一个高层次的了解。例如，如果社区 A 是顶级社区，我们将获得有关整个图表的报告。如果社区是较低级别的，我们将获得有关本地集群的报告。生成社区报告在此步骤中，我们使用 LLM 生成每个社区的摘要。
GraphRAG：知识图谱+大模型 LangChain实现
热门推荐
KQe397773106的博客
04-22 1万+
需要注意的是，生成的图谱质量很大程度上取决于您使用的模型。在 RAG 应用中，结合结构化的图数据和非结构化的文本向量搜索，可以让我们同时享受两者的优势，这也是本文将要探讨的内容。的引入，生成知识图谱的过程现在应该更加顺畅和易于访问，这使得任何想要通过知识图谱提供的深度和上下文来增强其基于 RAG 的应用的人更容易上手。接下来，我们将引入一个提示，它利用混合检索器提供的上下文来生成响应，从而完成 RAG 链的实现。正如我们一开始提到的，我们将结合非结构化和图检索器来创建最终的上下文，这将传递给 LLM。
本地电脑大模型系列之 09 使用 GraphRAG 和 Ollama 实现经济高效的本地模型推理(教程含源码)
iCloudEnd的博客
07-15 592
GraphRAG Local Ollama 旨在支持本地模型，使其成为依赖昂贵 OpenAPI 模型的经济高效的替代方案。通过利用使用 Ollama 下载的本地模型，您可以进行高效的推理而无需承担高昂的成本。
Neo4j 的大模型知识图谱构建器（LLM Knowledge Graph Builder）
XRT_knives的博客
07-25 512
Neo4j 的大模型知识图谱构建器（LLM Knowledge Graph Builder） 一、环境搭建&报错解决 公众号： 超好用！五分钟内将文本转为图谱，可用于发现实体之间关系和规律，与文本对话 Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读 环境搭建： 超好用！五分钟内将文本转为图谱，可用于发现实体之间关系和规律，与文本对话 线上Neo4j控制台 线上Neo4j数据库——auraDB llm-graph-builder.neo4jlabs 官方文档 Neo
大模型微调工具-torchtune
weixin_40777649的博客
08-08 954
1.定义2.安装3. 案例。
根据哈希值或者特征值判断图片是否相同
Y_warmth
08-09 639
detectAndCompute 方法结合了特征检测和描述符计算两个步骤，可以在图像中检测出特征点并计算这些特征点的描述符。ORB（Oriented FAST and Rotated BRIEF）是一种结合了 FAST 特征检测器和 BRIEF 描述符的特征提取算法，具有旋转不变性和尺度不变性，适用于图像特征匹配、目标检测等任务。接着使用 ORB 对象的 detectAndCompute() 方法检测图像中的特征点并计算描述符，最后将特征点绘制在图像上并显示出来。
pytorch下载慢，如何下载到本地再去安装，本地安装pytorch
weixin_53035684的博客
08-09 458
本地安装torch
叉车指纹锁系统 指纹识别启动车辆 让管理更轻松！
jiuxindianzi的博客
08-12 216
叉车指纹系统通过指纹认证管理叉车，降低安全事故，强化安全管理。支持指纹、刷卡识别，云端数据管理。适用于油电叉车，安装需连接特定线路，提高叉车管理效率。
数字化转型-成就智慧智慧企业
最新发布
绿茵场的激情
08-12 242
数字化转型是企业迈向智慧化发展的关键路径，通过将先进的数字技术融入企业核心业务，构建智能化、数据驱动的运营模式，实现业务的全面升级与优化。
Datawhale AI 夏令营-大模型技术学习心得
m0_61049596的博客
08-10 231
在此次的大模型技术学习课程中，我在操作的时候遇到了两种问题。
【AI绘画Stable Diffusion进阶】室内设计神器：ControlNet MLSD/Seg 实现令人惊叹的视觉转换
2401_84760719的博客
08-10 602
你是否已经厌倦了传统的室内设计方式，想探索新方法来增强作品设计感？本期小编就同大家分享一个新武器，用Stable Diffusion的ControlNet来打造一个室内设计全新工作流。无论你是经验丰富的室内设计师还是初学小白，都将使你的日常工作如虎添翼、告别爆肝，焕发出令甲方爸爸们赞叹的设计感。ControlNet将毛坯房照片转换为高清室内装饰效果图ControlNet是一种通过添加额外条件来控制扩散模型的AI神经网络结构，它提供了一种增强稳定扩散的方法。
python识别车辆标志
weixin_45570158的博客
08-09 423
要使用Python来识别车辆标志，你通常会用到计算机视觉库，如OpenCV，结合深度学习框架如TensorFlow或PyTorch。这里我将提供一个基于OpenCV和TensorFlow（使用预训练模型，如MobileNetV2）的基本示例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值