Tiny-Universe的一些解读

TinyAgent

关键代码

def text_completion(self, text, history=[]):
    text = "\nQuestion:" + text
    response, his = self.model.chat(text, history, self.system_prompt)
    print(response)
    plugin_name, plugin_args, response = self.parse_latest_plugin_call(response)
    if plugin_name:
        response += self.call_plugin(plugin_name, plugin_args)
    response, his = self.model.chat(response, history, self.system_prompt)
    return response, his

总结：

首先对输入文本加一个"question"前缀，然后送入model得到response、his
self.system_prompt就是事先人为构造好的prompt格式
然后再从response里面拿到plugin_name, plugin_args, response
如果有plugin_name就调用插件（tool）将结果拼接到response末尾
最后再送入model拿到结果

TinyRAG

datawhale这块程序写的有一点问题，就总结一下大概思路吧
具体操作细节可以看官网文档的readme.md
RAG的五个部分

• 向量化模块
• 文档加载和切分模块
• 数据库
• 向量检索
• 大模型模块

一般来说，RAG具体流程可以总结如下：

• 将输入文本text经过embedding后转vectors存着
• 同样的将query经过类似操作得到vector，然后计算第一步得到的vectors之间的余弦相似度，返回k个最接近的
• 再输入给LLM得到结果

感觉主要问题就在embedding和retrieval这两部分，前者貌似一般都有开源的embbeding model，顶多再微调一下，而后者着重向量的构建，检索速度的优化？

2024/8/13更新

后面有空再去看一下有道QAnything，感觉是一个不错的RAG实践。