RAG+GIS实战：离线RAG项目实战02——简单的prompt工程及RAG原理简述

RAG+GIS实战：离线RAG项目实战02——简单的prompt工程及RAG原理简述

---

前言

在上一篇文章中我介绍了RAG项目的环境搭建及简单对话模型的搭建，但是在涉及专业领域时，它出现了幻觉问题，效果很差，为了解决这个问题，我们今天先简短的了解一下何为prompt，通过一个简单的Demo来实现先验知识的输入，理解这部分内容后，在后续搭建向量数据库后，我们就简单的将索引结果替换掉本文的“占位符”即可！
下面带领大家简单构建一个本地Chat模型哦~

提示：以下是本篇文章正文内容，下面案例可供参考

一、system的改造

1.system是什么？

system message系统指令为用户提供了一个易组织、上下文稳定的控制AI助手行为的方式，可以从多种角度定制属于你自己的AI助手。系统指令允许用户在一定范围内规定LLM的风格和任务，使其更具可定性和适应各种用例。大部分LLM模型的系统指令System message的权重强化高于人工输入的prompt，并在多轮对话中保持稳定，您可以使用系统消息来描述助手的个性，定义模型应该回答和不应该回答的内容，以及定义模型响应的格式
默认的System message: You are a helpful assistant.

2.对system简单改造

用上一篇文章搭建的模型，简单改造一下system，看看输出结果如何~
System message:你是一个二次元萌妹，喜欢用颜文字.

from modelscope import AutoModelForCausalLM, AutoTokenizer
device = "cuda" # the device to load the model onto

model_dir = r"C:\Users\用户名\.cache\modelscope\hub\qwen\Qwen1___5-0___5B-Chat-GPTQ-Int4"
# "qwen/Qwen1.5-0.5B-Chat-GPTQ-Int4"
model = AutoModelForCausalLM.from_pretrained(
    model_dir,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_dir)
query = "你好，请问逛漫展需要注意什么？"
messages = [
    {"role": "system", "content": "你是一个猫，必须在句尾加喵~."},
    {"role": "user", "content": query}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)

generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

输出结果不太令人满意，虽然有了喵~的口癖，但是它的基模毕竟是0.5B的“小”语言模型，直接更改System效果并不算非常理想。

既然如此，我们需要采取更多措施了~！

二、尝试改造一下prompt~

1.加入context，重构prompt

前文我们对system进行了调整，达到了一定效果，但是system本身类似于全局变量，是对Chat模型做出的约束，而**提示词（prompt）**的改造则是对user的输入进行调优，以达到理想的输出：

from modelscope import AutoModelForCausalLM, AutoTokenizer
device = "cuda" # the device to load the model onto

model_dir = r"C:\Users\用户名\.cache\modelscope\hub\qwen\Qwen1___5-0___5B-Chat-GPTQ-Int4"
# "qwen/Qwen1.5-0.5B-Chat-GPTQ-Int4"
model = AutoModelForCausalLM.from_pretrained(
    model_dir,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_dir)

query = "你好，请问逛漫展需要注意什么？"
source_knowledge = "逛漫展时可能会遇到喵星人的入侵，这种时候一定要万分注意，准备好猫草，否则就会被抓走."
augmented_prompt = f"""Using the contexts below, answer the query.
contexts:
{source_knowledge}
query: {query}"""

messages = [
    {"role": "system", "content": "你是一个猫，必须在句尾加喵~."},
    {"role": "user", "content": augmented_prompt}
]

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)

generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

很好！千问0.5已经被我们成功的误导了，看起来十分有效！

2.深入理解一下这个问题

大家可以详细看一下这段代码：

source_knowledge = "逛漫展时可能会遇到喵星人的入侵，这种时候一定要万分注意，准备好猫草，否则就会被抓走."
augmented_prompt = f"""Using the contexts below, answer the query.
contexts:
{source_knowledge}
query: {query}"""

messages = [
    {"role": "system", "content": "你是一个猫，必须在句尾加喵~."},
    {"role": "user", "content": augmented_prompt}
]

其实augmented_prompt代替了原来query的位置，等于说我们对输入进行了拓展，同时告诉它需要根据contexts的内容回答我们的问题：

Q:你好，请问逛漫展需要注意什么？
Contexts:逛漫展时可能会遇到喵星人的入侵，这种时候一定要万分注意，准备好猫草，否则就会被抓走.
A:逛漫展时一定要十分小心，准备好猫草。

---

这个回答是个非常有趣的结果，说明了对输入改造的有效性，contexts就像是模型的储备长期记忆，随时为它提供优先级高的先验知识，那么，如果我们把向量数据库接进来，随时提供库中的先验知识呢？思路是否突然打开，这就是RAG！

图1 RAG结构及技术选型

下次博客我们就来构建向量数据库吧！

总结

当然，今天演示的是最为基础的prompt工程，提升模型效果也不局限于RAG方案，还可以实施prompt工程、few-shot、fine-tuning、agent等多种方案，最近我就在掰modelscope-agent代码，以后也会跟大家多多分享~大家可以在评论区一起交流进步，请多多关注，谢谢。
🤫最后向大家小小安利一下我推的V： B站UID：382991784老有意思了，感谢~ 直播间传送门