基于LangChain实现本地知识库问答问题总结

LangChain：我们不生产模型，我们只是大模型的搬运工。

基于LangChain实现本地知识库问答：

项目地址：

GitHub - chatchat-space/Langchain-Chatchat: Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM) QA app with langchainLangchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM) QA app with langchain - GitHub - chatchat-space/Langchain-Chatchat: Langchain-Chatchat（原Langchain-ChatGLM）基于 Langchain 与 ChatGLM 等语言模型的本地知识库问答 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM) QA app with langchainhttps://github.com/chatchat-space/Langchain-Chatchat

流程如上图，知识库嵌入-->问题嵌入-->相似度计算-->提示文本-->回答

共涉及两个大模型，分别为文本嵌入模型和大语言模型（LLM）。

文本嵌入模型作用：

1. 对知识库中的文件中的文本片段进行嵌入，存入知识向量库；

2. 对问题进行嵌入。

LLM作用：根据提示文本回答问题。

LangChain主打大模型间的调度，附带嵌入向量相似度计算，提示模板填充等功能；

下面总结下部署时遇到的一些小问题（v0.2.5）：

1. 切换文本嵌入模型时报错。

官方提供了文本嵌入模型M3E的示例，但将其更换为BGE，初始化知识向量库时，弹出以下错误：

原因：断言出错，原向量库残留了一些模型信息，self.d对应M3E的嵌入维度768，但BGE的嵌入维度为1024，不能存库。

解决方案：删掉原来存储库所在目录或重命名即可，单纯在命令行添加--recreate-vs不起作用。

2. BGE加载代码存在问题。

./Langchain-Chatchat-0.2.5/server/knowledge_base/kb_cache/base.py中137行左右：

embeddings = HuggingFaceBgeEmbeddings(model_name=embedding_model_dict[model],
                                      model_kwargs={'device': device},
                                      query_instruction=query_instruction)

embeddding_model_dict未声明，改成下面即可：

embeddings = HuggingFaceBgeEmbeddings(model_name=get_model_path(model),
                                      model_kwargs={'device': device},
                                      query_instruction=query_instruction)

3. 使用百川13B大模型时，报错AttributeError: 'BaichuanTokenizer' object has no attribute 'sp_model'

需将baichuan-inc/Baichuan2-13B-Chat/tokenization_baichuan.py中的super()放至最后执行，如下：

self.vocab_file = vocab_file
self.add_bos_token = add_bos_token
self.add_eos_token = add_eos_token
self.sp_model = spm.SentencePieceProcessor(**self.sp_model_kwargs)
self.sp_model.Load(vocab_file)
super().__init__(
    bos_token=bos_token,
    eos_token=eos_token,
    unk_token=unk_token,
    pad_token=pad_token,
    add_bos_token=add_bos_token,
    add_eos_token=add_eos_token,
    sp_model_kwargs=self.sp_model_kwargs,
    clean_up_tokenization_spaces=clean_up_tokenization_spaces,
    **kwargs,
)

4. web运行时，出现KeyError: Caught exception: 'choices'

ERROR | root | KeyError: Caught exception: 'choices' 

可能是显存超了，减少匹配知识条数或减小kb_config.py中的CHUNK_SIZE等均可。

下面说一下在实际应用效果上的小问题：

1. 读取pdf时，不合宜的换行符'\n'会影响LLM对语义的理解。

例如，标题+'\n'+段落，LLM会因为'\n'认为标题和段落不存在关联，导致回答不准确。对于较为成熟的LLM（ChatGPT、文心等）并不会有太大影响，但对于ChatGLM是存在一定影响的。

解决方案：在构建知识向量库时，将全部'\n'替换为空格。替换代码所在目录：

./anaconda3/envs/LangChain/lib/python3.10/site-packages/langchain/text_splitter.py
若想在文本拆分前替换，将下面注释代码改为非注释代码即可，160行左右：

# texts.append(doc.page_content)
new_content = doc.page_content.replace('\n', ' ')
texts.append(new_content)

若想在文本拆分后替换，将下面注释代码改为非注释代码即可，150行左右：

# new_doc = Document(page_content=chunk, metadata=metadata)
new_chunk = chunk.replace('\n', ' ')
new_doc = Document(page_content=new_chunk, metadata=metadata)   

效果对比：

替换前（检索出了，但未能准确回答）：

替换后（能够准确回答）：

2. LLM存在一定随机性，问题相同，答复却不同。

对于相对困难的问题，回答差距较大，如下：

对于简单的问题，回答方式虽然不完全相同，但内容正确，如下：

解决方案：切换表现更好的LLM，百川2-13B表现较佳，但对算力设备要求较高，在算力一般（例如RTX 3090、2080ti）的设备上速度较慢。

3. 不适宜的文本、表格拆分对语义的影响严重。

尤其是表格数据被拦腰截断后，对于未含表头的数据则不可能被正确回答。

解决方案：替换文本分割方案，采用三方库docx读取.docx，能够单独读取表格，对于PDF和doc则需事先转为docx格式。

文本分割修改代码位置：~/Langchain-Chatchat-0.2.5/server/knowledge_base/utils.py中的KnowledgeFile.docs2texts()

文本分割函数 text_split_via_me() 内可包括文档的重新读取，代码太多就不贴细节了。

def docs2texts(
        self,
        docs: List[Document] = None,
        zh_title_enhance: bool = ZH_TITLE_ENHANCE,
        refresh: bool = False,
        chunk_size: int = CHUNK_SIZE,
        chunk_overlap: int = OVERLAP_SIZE,
        text_splitter: TextSplitter = None,
    ):
        docs = docs or self.file2docs(refresh=refresh)
        if not docs:
            return []

        # if self.ext not in [".csv"]:
        #     if text_splitter is None:
        #         text_splitter = make_text_splitter(splitter_name=self.text_splitter_name, chunk_size=chunk_size, chunk_overlap=chunk_overlap)
        #     if self.text_splitter_name == "MarkdownHeaderTextSplitter":
        #         docs = text_splitter.split_text(docs[0].page_content)
        #         for doc in docs:
        #             # 如果文档有元数据
        #             if doc.metadata:
        #                 doc.metadata["source"] = os.path.basename(self.filepath)
        #     else:
        #         docs = text_splitter.split_documents(docs)

        def text_split_via_me(docs):
            ...
            return ...
        docs = text_split_via_me(docs)

        print(f"文档切分示例：{docs[0]}")
        # if zh_title_enhance:
        #     docs = func_zh_title_enhance(docs)
        self.splited_docs = docs
        return self.splited_docs