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