intern基础岛第四关：InternLM + LlamaIndex RAG 实践

目标

基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前InternLM2-Chat-1.8B模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力

复现过程

注意

要删除原本的机器，创建一个全新的环境。环境创建过程省略，也是非常慢，估计是因为InternStudio的开发机CPU比较差。

下载词嵌入模型

网络时常出现问题

#download_hf.py
import os

# 设置环境变量
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

# 下载模型
os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')

原本的代码

后来我决定本地魔法上网，下载下来之后上传到服务器上。（本地不挂梯子也是下载不下来的）

# import os

# # 设置环境变量
# os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

# # 下载模型
# os.system(
#     "huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir ./download/"
# )
from huggingface_hub import snapshot_download

# 指定模型名称和下载目录
model_name = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
local_dir = "./download"  # 自己改一下本地目录！！！

# 下载模型快照
snapshot_download(repo_id=model_name, local_dir=local_dir)

下载之后，拖入vscode的文件位置，实现上传。

运行结果

模型并不知道Xtune是什么，在乱说。

# llamaindex_RAG.py		
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("什么是期权的BS模型?")
# response = query_engine.query("xtuner是什么?")

print(response)

导入知识库之后

还挺聪明

具体实现过程参考

https://github.com/InternLM/Tutorial/tree/camp3/docs/L1/LlamaIndex
https://www.bilibili.com/video/BV19E4m1X79q/?spm_id_from=333.788&vd_source=93c7668f83412ac7e55260171084accc