RAG 示例:使用 langchain、Redis、llama.cpp 构建一个 kubernetes 知识库问答

ops/2024/11/25 12:13:06/

RAGRetrieval Augmented Generation 检索增强生成)是目前业界中的一种主流方法,通过增加额外知识的方式来减少大语言模型(LLM)的幻觉问题(一本正经的胡说八道)。

RAG__4">RAG 系统概览

null

如上图所示,RAG 系统可以分为两个部分:

  • Indexing:构建知识库
  • Retrieval & Generation:从知识库中获取相关信息,然后生成结果。

Indexing 构建知识库的过程可以分为四步:

  1. \1. Load:加载 PDF、doc、markdown、web 等等形式的知识数据。
  2. \2. Split:由于 LLM 上下文大小的限制,需要将文档进行切割。
  3. \3. Embedding:将文本转换为向量。
  4. \4. store to VectorDB:将文本内容和向量存储至向量数据库,即知识库

Retrieval & Generation 的过程也是四步:

  1. \1. Embedding:将用户提出的问题转换为向量。
  2. \2. search VectorDB:从知识库中查询与问题语义相近的文本段落。
  3. \3. prompt:将检索出来的文本段落与用户问题合并,生成 prompt。
  4. \4. LLM:将 prompt 提交给大语言模型,得到最终答案。

从上述过程中可以看到,相较于直接把问题提交给 LLM 得到答案,RAG 系统额外构建了一个知识库,并且会把问题跟已有知识相结合,生成新的 prompt 后再提交给 LLM 得到答案。 换句话说,RAG 系统就是在用户提出的问题之外,额外增加了一些上下文/背景信息,这些信息可以是实时信息、也可以是专业领域信息,以此从 LLM 得到更好的回答。

RAG__29">RAG 系统示例

在本示例中,我将使用 langchainRedisllama.cpp 构建一个 kubernetes 知识库问答。

langchain 是一个工具包,Redis 被我用作向量数据库,llama.cpp 是一个开源的加载大语言模型的运行时程序。

我在本地使用了 Docker 容器环境进行开发,通过以下 docker-compose 文件拉取依赖的服务:

img

代码示例如下:

null

代码释义:

  • • 加载文档:使用 langchain 抓取 kubernetes 官方文档页面内容。
  • • 切割文档:使用 langchain 切割文档。
  • • 向量化:使用 sentence_transformers 将文本转换为向量:
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence"]model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2')
embeddings = model.encode(sentences)
print(embeddings)
  • • 存储至向量数据库:将文本和向量存储至 Redis,你也可以使用其它向量数据库。
  • • 用户提问向量化:使用同样的模型将用户提出的问题转换为向量。
  • • 向量相似性检索:从向量数据库中检索出与提问相似的文本段落。
  • • 组合生成 prompt:将检索出来的信息与用户提问一起合并生成新的 prompt
  • • 将 prompt 提交给 LLM 得到答案。

最终的测试结果如下:

null

可以看到,加了上下文之后,LLM 给出的答案更好了。

RAG__70">RAG 面临的挑战

RAG 的每一步几乎都面临挑战:

  • • 如何加载不同形式的文档数据?这一步问题倒不大。
  • • 如何切割文档?切割的效果影响了 prompt 的上下文信息,因此也会影响 LLM 生成的结果。
  • • 如何做 embedding,选择哪种模型?
  • • 选择哪个向量数据库?常见的技术选型问题。
  • • 如何将检索出来的信息与用户提问一起合并成新的 promptprompt 本来就可以五花八门。
  • • 选择哪个 LLM 以及运行时?就模型而言,Llama 系列算是最火的开源模型了;而运行时则有 llama.cpp(或者在其之上封装的 Ollama)、HuggingFace/transformersvLLM 等等。

总结

RAG 系统通过引入知识库,扩展了 LLM 对专业领域和实时信息的支持能力,使其在回答专业问题时更加准确高效。

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。


http://www.ppmy.cn/ops/136564.html

相关文章

平安产险厦门分公司:深化风险减量服务,开展安全驾驶巡回培训

为进一步提升管理货运车辆的企业客户的安全生产能力,增强驾驶员的安全意识与驾驶技能,平安产险厦门分公司秉持“金融为民”初心,积极践行金融工作政治性、人民性,开展“风险减量”专项行动——《风险减量,安全驾驶》巡…

字符串-07-判断两个IP是否属于同一子网

文章目录 1. 题目描述2. 思路3. 代码 1. 题目描述 IP地址是由4个0-255之间的整数构成的,用"."符号相连。 二进制的IP地址格式有32位,例如:10000011,01101011,00000011,00011000;每八…

三十一、构建完善微服务——API 网关

一、API 网关基础 系统拆分为微服务后,内部的微服务之间是互联互通的,相互之间的访问都是点对点的。如果外部系统想调用系统的某个功能,也采取点对点的方式,则外部系统会非常“头大”。因为在外部系统看来,它不需要也没…

UI自动化测试中公认最佳的设计模式-POM

一、概念 什么是POM? POM是PageObjectModule(页面对象模式)的缩写,其目的是为了Web UI测试创建对象库。在这种模式下,应用涉及的每一个页面应该定义为一个单独的类。类中应该包含此页面上的页面元素对象和处理这些元…

第十章习题

1.在网页中显示一个工作中的“数字时钟” <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title><style>#date{text-align: center;font-size: 60px;}h1{text-align: center;}</style></head>&…

战略思维:破解复杂世界的系统性智慧

在当今快速演变且错综复杂的时代背景下&#xff0c;战略思维已然成为个人、组织乃至国家在应对挑战和实现目标过程中的核心能力。它不仅是一种思考模式&#xff0c;更是一套系统且富有智慧的工具&#xff0c;助力我们在混沌的环境中精准定位方向、敏锐捕捉机遇。 一、目…

一种新的电机冷却方式——热管冷却

在现代工业设备中&#xff0c;电机作为一种核心动力装置&#xff0c;广泛应用于各个领域。例如&#xff0c;家用电器、自动化生产线、交通工具等都离不开电机的运作。然而&#xff0c;随着电机功率的不断提升和负载的增加&#xff0c;电机在运行过程中产生的热量也随之增多&…

uni-app集成使用SQLite数据库

一、勾选SQLite数据库选项 &#xff08;1&#xff09;HBuilder工具打开**项目 &#xff08;2&#xff09;**项目/manifest.json 》App模块配置 》勾选SQLite(数据库) 二、封装sqlite.js 在项目根目录下创建sqlite/sqlite.js sqlite.js: // 数据库名称 const dbName app; /…