RAG具体的原理不过多介绍了,网上内容非常多,大家可以搜一下,这边主要介绍下如何实践;
核心的代码如下, 主要就是模型向量切分、构建索引以及语义检索匹配的过程,核心代码如下
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.llms.huggingface import HuggingFaceLLM
#初始化一个HuggingFaceEmbedding对象,用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(
#指定了一个预训练的sentence-transformer模型的路径
model_name="/root/model/sentence-transformer"
)
#将创建的嵌入模型赋值给全局设置的embed_model属性,
#这样在后续的索引构建过程中就会使用这个模型。
Settings.embed_model = embed_model
llm = HuggingFaceLLM(
model_name="/root/model/internlm2-chat-1_8b",
tokenizer_name="/root/model/internlm2-chat-1_8b",
model_kwargs={"trust_remote_code":True},
tokenizer_kwargs={"trust_remote_code":True}
)
#设置全局的llm属性,这样在索引查询时会使用这个模型。
Settings.llm = llm
#从指定目录读取所有文档,并加载数据到内存中
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
#创建一个VectorStoreIndex,并使用之前加载的文档来构建索引。
# 此索引将文档转换为向量,并存储这些向量以便于快速检索。
index = VectorStoreIndex.from_documents(documents)
# 创建一个查询引擎,这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
response = query_engine.query("潘展乐是谁,有什么成就?")
print(response)
这是没有使用RAG之前的模型回答,明显不知道潘大小伙子是谁,这个人我查了下也不存在;
这是采用了RAG之后的回答,明显回答靠谱了,在此就不过多介绍了,RAG的技术细节还是很多的,尤其最新的GraphRAG等等这些最新的技术GraphRAGmicrosoft/graphrag: A modular graph-based Retrieval-Augmented Generation (RAG) system (github.com)https://github.com/microsoft/graphrag