【书生大模型实战营】茴香豆：企业级知识问答工具实践

【书生大模型实战营】茴香豆：企业级知识问答工具实践

茴香豆Demo：地址

任务

在 InternStudio 中利用 Internlm2-7b 搭建标准版茴香豆知识助手，并使用 Gradio 界面完成 2 轮问答（问题不可与教程重复，作业截图需包括 gradio 界面问题和茴香豆回答）。知识库可根据根据自己工作、学习或感兴趣的内容调整，如金融、医疗、法律、音乐、动漫等（优秀学员必做）。

茴香豆本地标准版搭建

一般使用

环境：30% A100，Cuda 12.2

使用studio-conda -o internlm-base -t huixiangdou激活环境。

然后clone相关仓库并切换分支：

git clone https://github.com/internlm/huixiangdou && cd huixiangdou
git checkout 79fa810

安装相关依赖：

apt update
apt install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp3 sox libjpeg-dev swig libpulse-dev
pip install BCEmbedding==0.1.5 cmake==3.30.2 lit==18.1.8 sentencepiece==0.2.0 protobuf==5.27.3 accelerate==0.33.0
pip install -r requirements.txt

复制相关的模型：

ln -s /root/share/new_models/maidalun1020/bce-embedding-base_v1 /root/model/bce-embedding-base_v1
ln -s /root/share/new_models/maidalun1020/bce-reranker-base_v1 /root/model/bce-reranker-base_v1
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/model/internlm2-chat-7b

然后更改配置文件config.ini，在huixiangdou文件夹下，执行如下命令更改配置文件：

sed -i '9s#.*#embedding_model_path = "/root/model/bce-embedding-base_v1"#' /root/Project/huixiangdou/config.ini
sed -i '15s#.*#reranker_model_path = "/root/model/bce-reranker-base_v1"#' /root/Project/huixiangdou/config.ini
sed -i '43s#.*#local_llm_path = "/root/model/internlm2-chat-7b"#' /root/Project/huixiangdou/config.ini

进入创建的huixiangdou，创建repodir文件夹，将两个仓库clone到这里：

git clone https://github.com/internlm/huixiangdou --depth=1 repodir/huixiangdou
git clone https://github.com/open-mmlab/mmpose    --depth=1 repodir/mmpose

然后创建一个工作目录workdir，并执行如下命令：

python3 -m huixiangdou.service.feature_store

其中：repodir 文件夹，用来储存知识库原始文档，文件夹 workdir 用来存放原始文档特征提取到的向量知识库。

结果为：

正例和反例信息在resource文件夹下。

每次更新原始知识文档和正反例，都需要重新运行 python3 -m huixiangdou.service.feature_store命令进行向量知识库的重新创建和应答阈值的更新。

配置文件中的 work_dir参数指定了特征提取后向量知识库存放的位置。如果有多个知识库快速切换的需求，可以通过更改该参数实现。

使用如下命令和茴香豆在命令行进行交互：

python3 -m huixiangdou.main --standalone

然后询问mmpose怎么使用，得到的回复如下：

然后尝试使用gradio创建可视化界面：

python3 -m huixiangdou.gradio

然后询问mmpose相关的问题，结果如下：

联网

进入serper注册一个账号，然后进入API-Key界面，复制自己的 API-key。

替换 /huixiangdou/config.ini中的 ${YOUR-API-KEY} 为自己的API-key：

[web_search]
engine = "serper"
serper_x_api_key = "YOUR-API-KEY-HERE"
domain_partial_order = ["arxiv.org", "openai.com", "pytorch.org", "readthedocs.io", "nvidia.com", "stackoverflow.com", "juejin.cn", "zhuanlan.zhihu.com", "www.cnblogs.com"]
save_dir = "logs/web_search_result"

其中 domain_partial_order可以设置网络搜索的范围。

然后运行gradio界面，问它Pytorch怎么安装，虽然在gradio里面依然没有显示正确结果，但是在save_dir变量对应的文件夹下面，有它搜索的文件：

远程大模型

远程向量&重排序模型的修改：SiliconFlow创建账号，然后进入体验中心，创建个人 API 密匙，复制将其填入huixiangdou/config.ini 的api_token中。

大模型的修改：首先修改 huixiangdou/config.ini 本地和远程LLM 开关：

[worker]
enable_web_search = 0
enable_sg_search = 1

然后更改remote_ 相关配置，填写 API key、模型类型等参数，茴香豆支持 OpenAI 的 API格式调用：

remote_type = "kimi"
remote_api_key = "YOUR-API-KEY-HERE"
remote_llm_max_text_length = 128000
remote_llm_model = "auto"

闯关任务

以中国的诗词构建知识库，使用chinese-poetry作为知识来源：

git clone https://github.com/chinese-poetry/chinese-poetry.git

clone到repodir文件夹，然后进行知识更新：

python3 -m huixiangdou.service.feature_store

但茴香豆似乎只对README.md进行了处理，下面的json都没有读取：

于是选取其中的元曲作为知识库，只在文件夹中放元曲的内容，然后进行知识更新。

先看一下没有加载知识库之前的模型回答：


然后我们创建一个元曲.md文件，茴香豆只能识别md或者txr，json文件无法识别，将这两首曲放上去，然后进行知识库更新。

# 元曲
## 关汉卿
（1）诈妮子调风月・胜葫芦
怕不依随蒙君一夜恩，争奈忒达地、忒知根，兼上亲上成亲好对门。
觑了他兀的模样，这般身分。
若脱过这好郎君。


## 马致远
（1）邯郸道省悟黄粱梦・煞尾
你正果正是修行果，你灾咎皆因我度脱。
早则绝忧愁、没恼聒，行处行，坐处坐，闲处闲，陀处陀。
屈着指，自数过，真神仙，是七座，添伊家，总八个。
道与哥哥，非是风魔，这个爱吃酒的钟离便是我。

## 郑光祖
（1）虎牢关三战吕布・那吒令
不是这个张冀德，我觑吕温侯似等闲;(关末云)他使一枝方天画杆戟，好生利害也。
(正末唱)则我这条丈八矛，将方天戟来小看。
(关末云)骑一匹卷毛赤兔马，好生奔劣也。
(正末唱)跨下这匹豹月乌，不剌刺把赤兔马来当翻。
(刘末云)破吕布凭着你些甚么那？(正末唱)凭着我这捉将手、挟人惯，两条臂有似的这栏关。

最终的结果为：

但有时候不太稳定，有时候可以从知识库里面找，有时候又没有。