如何部署一个大模型知识库问答系统

上周老板让我部署一个公司用的知识库问答系统, 找了套源码部署，下面是一些经验, 以飨读者, 源码已经上传 源码下载 ， 下面的是一些研究笔记和部署教程

知识库是什么

大模型知识库是一个包含大量语义信息的知识库。它通常使用大规模的自然语言处理和机器学习技术来构建，可以存储大量的文本、图像、语音等数据，并将其组织为结构化的知识。

大模型知识库通常具有以下特点：

大规模数据：它可以包含数百万、甚至数十亿条语义信息，涵盖各种领域和主题。
多媒体支持：除了文本外，它还可以处理图像、视频、音频等多种类型的数据。
语义链接：它能够通过关联相关的实体、概念和关系来构建知识之间的链接，从而形成知识图谱。
语义理解：它可以基于自然语言处理和机器学习技术，对输入的自然语言进行理解和解析，从而提供相应的知识答案。

知识库问答系统怎么实现

一般说知识库都是涉及到langchain, 大模型, 向量化,

Langchain

一个开源的框架， 大模型开发必备, 封装了RAG和Agent的一些流程

RAG

大模型RAG，即检索增强生成（Retrieval-Augmented Generation），是一种结合了信息检索和文本生成的技术。它通过从数据源检索相关信息，并将其提供给大型语言模型（LLMs），以生成更准确、更符合上下文的文本回复。

RAG的核心在于“检索+生成”。首先，利用向量数据库等技术高效地存储和检索知识，召回目标知识。然后，结合大型语言模型和Prompt工程技术，合理地利用召回的知识，生成目标答案。

RAG技术的工作流程通常包括两个阶段：

数据准备阶段：涉及数据提取、文本分割、向量化（embedding）和数据入库。
应用阶段：根据用户提问，通过检索方法召回相关知识，并将其融入Prompt；然后大型语言模型参考提问和相关知识，生成答案。
RAG技术的优势在于能够解决大型语言模型存在的一些局限性，如知识的实时性、专业性和数据安全性问题。它使得大型语言模型能够利用私有或专有数据源的信息，提高搜索体验的相关性，改善输出，而无需重新训练模型。

RAG技术广泛应用于文本生成、对话系统、问答系统等领域，对于生成式AI系统使用外部信息源生成更准确且更符合语境的回答具有极大价值

部署教程

上周找到的这套代码就是基于langchian，用rag机制开发的知识库问答系统, 大致的部署教程如下

环境准备

项目需要Python>=3.8.1, 默认已安装torch

1. 安装依赖包：pip install -r requirements.txt
2. python3 app.py

具体如果有各种模型报错，再进行针对处理就行, 目前我的环境是conda的python3.10版本， 没有什么问题

启动后， 把文本语料塞进去进行向量化就可以了