LangChain-Chatchat知识库对话

前言

上次我们完成了Chatchat的本地部署，使用了LLM对话的功能。这次我们尝试一下其他的功能，之前总是有报错没有跑通，这次处理了几个问题之后才跑通了知识库对话和文件对话。

知识库对话

原理:

首先我们看这个图可以明白，知识库对话是有很多步骤的，1-7步是把上传的文件做处理，拆分，转为向量储存起来。然后当我们发起查询请求，也会被转换为向量，接着和向量数据库的向量做相似度比较，找到比较相近的向量对应的文本。最后根据这些文本去构造了prompt请求LLM获取返回数据。

使用步骤：

先说明一下这里我用的是智谱AI的API，也就是在线的LLM，本地如果是使用chatglm的话，因为本身个人电脑配置不高，所以能运行的模型参数都相对较小，有些知识库对应的信息可能查不出来，用知识库对话的话建议是使用在线的llm。一开始用本地的llm，问了很多知识库的问题都回答不上来，找不到知识库匹配结果，我还以为是我哪里运行有问题，后来换成在线的llm就可以了。

1.点击知识库管理

2.选择或者新建一个知识库

这里面有一些向量数据库和Embedding模型可以选择，我就用的默认的，其他的能不能组合跑起来还没有试过。

3.上传知识库文件

这个是github上写的支持的文件格式：

Langchain 应用

本地数据接入接入非结构化文档

• .txt, .rtf, .epub, .srt
• .eml, .msg
• .html, .xml, .toml, .mhtml
• .json, .jsonl
• .md, .rst
• .docx, .doc, .pptx, .ppt, .odt
• .enex
• .pdf
• .jpg, .jpeg, .png, .bmp
• .py, .ipynb

4.添加文件到知识库中

点击添加文件到知识库，就会把文件保存到知识库，然后裁剪拆分成向量，往向量库放一份当前文本对应的向量。

这里可以根据文档的具体数据类型来调整，每一段文本的长度。相邻文本重合长度是指的两个文本会重叠的部分，举个例子按照文本250字符切分的话，可能会把一句正常的话给截断掉，所以会多选择一些字符串。

比如说上面的设置是chunk_size=250, chunk_overlap=50。

处理文本时,每个文本块的实际长度是 chunk_size=250 个字符。

但是,由于chunk_overlap=50,相邻文本块之间会有 50 个字符的重叠。

这意味着:

1. 第一个文本块长度是 250
2. 第二个文本块从第一个块的第 201 个字符(250-50=200,+1=201)开始,长度还是 250
3. 第三个文本块从第二个块的第 201 个字符开始,长度还是 250
4. 以此类推

5.展示结果

这个知识库我传了一本关于黑天鹅事件的pdf，从图中可以看到上面是没有知识库匹配的时候，llm以为我问的是黑天鹅这个物种。下面选择了知识库问答之后，返回的事对黑天鹅事件的描述，对于问问题的人来说，如果一开始就知道要从哪些文档里面去找答案的话，用知识库匹配会更加贴近你想要问的问题。我的理解是，知识库问答在llm问答之前相当于是做了一层预处理，帮助我们构建了更加合理的prompt，所以得到的答案会更加准确，本质上还是llm的能力。因为如果llm本身没有黑天鹅这个知识，它也没法回答我，所以要想好好利用llm的能力，实际上是要构建最合适的问题，这也就是所谓的prompt工程吧。

文件对话

文件对话就不多说了，相当于只有搜索向量库，而没有llm优化后回答得部分，东西是能搜索出的。如果是对于有大量数据文档的话，这个向量搜索还是有用的，可以帮助检索提升效率。因为很多时候问问题的人并不是那么的专业，可能问题本身就会会跑偏，直接文本匹配的话，不一定是找到有用的信息。向量搜索能更好地匹配语义相关的结果，可以返回表达类似含义但用词不同的文档，这就是它的优势所在。

遇到问题

1.上传文件的时候报错utils.py[line:377] - ERROR: ImportError: 从文件 test/test.txt 加载文档时出错：libGL.so.1: cannot open shared object file: No such file or directory

首先我使用的是pdf，报了这个错，我以为是pdf不能识别的问题。然后就按照chatchat的github的wiki里面对文件进行预处理。修改成了比较简单内容，而且是txt格式方便程序来识别。结果还是报错，就查了下这个报错。发现问题是因为少了系统包下面是gpt对这两个包的说明，反正就是会用的的库吧。

libgl1-mesa-glx 和 libglib2.0-0 是两个非常重要的库文件:

1. libgl1-mesa-glx 这个包提供了Mesa 3D图形库的OpenGL实现。OpenGL(OpenGL Library)是一个跨语言、跨平台的2D和3D图形API,被广泛应用于图形渲染、游戏开发、CAD、虚拟现实、科学可视化等领域。Mesa是一个开源的OpenGL实现,用于在Linux、Windows、macOS等操作系统上提供硬件3D加速支持。libgl1-mesa-glx是Mesa的GLX实现,用于在X Window系统上运行OpenGL程序。
2. libglib2.0-0
   这个包含有GLib库的核心文件。GLib是GNOME项目的底层系统库,提供了基本的系统独立型数据结构和操作,如链表、树、哈希表、内存分配等。它被广泛用作GTK+、GStreamer、WebKitGTK+等GNOME软件的基础构件。GLib提供了线程抽象、IPC、事件循环、Unicode处理等通用功能,是编写应用程序的基础,也可以单独使用。

总的来说,libgl1-mesa-glx提供OpenGL 3D图形渲染支持,而libglib2.0-0则是编写GTK+/GNOME应用程序及其它应用的核心基础库。这两个库在图形界面应用、游戏、科学计算等领域都有重要应用。

参考资料

1.pdf文件导入向量库失败

2.Chatchat的wiki