书生大模型 - 基础岛 - 第四关 - LlamaIndex RAG 实践

头部玩家

于 2024-08-11 22:05:13 发布

阅读量271

点赞数 3

文章标签：语言模型

本文链接：https://blog.csdn.net/weixin_45464374/article/details/141112673

版权

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；