简介
LLM大模型一般训练的数据都是滞后的，这是就需要用到RAG知识库，RAG知识库可以降低大模型在输出答案时的幻觉，也能够让大模型知识拓展。
知识库架构知识
检索流程图
用户输入 (User Query)|v+-----------------------+| 提示词 (Prompt) |+-----------------------+|| (1) 转化为向量 (Embedding)v+-----------------------+| 文字向量模型 (EMB) |+-----------------------+|| (2) 相似度检索 (Search)v+-----------------------+ +-----------------------+| RAG 向量数据库 (DB) | <-----> | 本地知识库/文档集 |+-----------------------+ +-----------------------+|| (3) 召回相关片段 (Context)v+-----------------------+| 大语言模型 (LLM) | <--- (将提示词与背景片段拼接)+-----------------------+|| (4) 最终生成 (Generation)v+-----------------------+| 输出结果 |+-----------------------+
RAG原理解析
构建知识库的流程如下：
文档内容切片->文字向量化->向量数据库
文档内容切片
LLM 有上下文长度限制，且向量检索在短文本上更精确。
文本切片方法有：
- 按字数切片
- 按句切片
- 递归切片
不管是哪个切片方法，目的是保留语义的完整性，因此不是某个好或某个坏，根据实际需求进行选择。
文字向量化
将每个切片文字块转换为关系向量
关系向量是怎么来的？ 这些是通过对模型进行大量的上下文训练，得到的词语与词语，句子与句子的语义关系上的关联，这是LLM的基础。
不同的文字向量模型输出的向量矩阵也会不同，因此在构建和检索时需要用同一个文字向量模型进行转换。
向量数据库
跟平时用的MySql，MS sql等本质上差不多，只不过将文本换成了向量矩阵的增删改查
检索的方法（这里就列举几个）：
- 两个向量的余弦角大小
- 两个向量的欧氏举例
- 两个向量的分类区域
用文本也能搜索，为什么要用向量呢？ 文本的数据库检索一般通过正则搜索，这种无法关联语义进行检索，因为我们无法保证大模型在检索时能够按照固定的格式。举个例子：
数据库中存储：小明一个月工资3000元
搜索：小明这个月多少钱
正则搜索会直接略过，而向量搜索就能够搜到。
构建RAG知识库
本次都利用千问的语言模型，和FAISS向量数据库演示，来演示
案例
from operator import itemgetter
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.documents import Document
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage, AIMessage
from sqlalchemy import true#apikey
os.environ["DASHSCOPE_API_KEY"] = "你的apikey"
FAISS_PATH = "my_faiss_index"raw_text = """
【公司内部机密：代号“深蓝计划”】
1. 项目目标：开发一款能听懂猫语的翻译器。
2. 核心技术：基于Transformer的“喵声波”分析算法。
3. 团队暗号：如果有人问“今天天气怎么样？”，必须回答“我想吃鱼”。
4. 截止日期：2026年12月31日。
5. 经费预算：仅剩50元人民币，主要用于购买猫条。
"""#初始化文本
docs = [Document(page_content=raw_text)]
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=20)
split_docs = text_splitter.split_documents(docs)#初始化模型
llm = ChatTongyi(model="qwen-plus")
embeddings = DashScopeEmbeddings(model="text-embedding-v1")#创建向量数据库
if os.path.exists(FAISS_PATH):
print("向量数据库已存在")
ragdb = FAISS.load_local(FAISS_PATH, embeddings, allow_dangerous_deserialization=True)
else:
print("创建向量数据库")
ragdb = FAISS.from_documents(split_docs, embeddings)
ragdb.save_local(FAISS_PATH)#构建提示词chain
def format_docs(docs):
return "\n\n".join(doc.page_content for doc in docs)final_prompt = ChatPromptTemplate.from_messages([
("system", """
你是一个专业的问答助手，你的任务是根据上下文简洁的回答用户的问题。
<context>
{context}
</context>
"""),
MessagesPlaceholder(variable_name="history"),
("human", "{input}")
])chain = (
#查询rag
RunnablePassthrough.assign(
context = itemgetter("input") | ragdb.as_retriever() | format_docs
)
| RunnablePassthrough.assign(
answer = {"input":itemgetter("input"), "context":itemgetter("context"), "history":itemgetter("history")} | final_prompt | llm | StrOutputParser()
)
)history = []while true:
input_q = input("我：") respond = chain.invoke({
"input": input_q,
"history": history}) print("answer:" + respond["answer"])
print("=="*30)
history.append(HumanMessage(content=input_q))
history.append(AIMessage(content=respond['answer']))
代码解释
代码的流程如下：
- 初始化RAG：文本切片->文本向量模型->构建向量数据库
- 询问ai：提示词->文本向量模型->向量数据库检索->组合prompt->喂给LLM->回答问题->记录历史对话
文本切片
docs = [Document(page_content=raw_text)]
text_splitter = RecursiveCharacterTextSplitter(chunk_size=100, chunk_overlap=20)
split_docs = text_splitter.split_documents(docs)
这里利用了langchain提供的文本分词器RecursiveCharacterTextSplitter（递归分词）
构建向量数据库
llm = ChatTongyi(model="qwen-plus")
embeddings = DashScopeEmbeddings(model="text-embedding-v1")#创建向量数据库
if os.path.exists(FAISS_PATH):
print("向量数据库已存在")
ragdb = FAISS.load_local(FAISS_PATH, embeddings, allow_dangerous_deserialization=True)
else:
print("创建向量数据库")
ragdb = FAISS.from_documents(split_docs, embeddings)
ragdb.save_local(FAISS_PATH)
这部分要注意：新版FAISS读取现有数据库要设置：allow_dangerous_deserialization=True，不然会报错
提示词模板
final_prompt = ChatPromptTemplate.from_messages([
("system", """
你是一个专业的问答助手，你的任务是根据上下文简洁的回答用户的问题。
<context>
{context}
</context>
"""),
MessagesPlaceholder(variable_name="history"),
("human", "{input}")
])
之前没有讲到历史对话记录，这次补充下：
MessagesPlaceholder这个是langchain框架的占位符（其实是框架写好了prompt模板，告诉ai这个是历史对话），使用时将历史对话记录的数组放在这里设置的字段中，在添加历史对话时要使用相关的类进行声明对话（告诉ai这句话是ai说的还是用户说的）history.append(HumanMessage(content=input_q)) history.append(AIMessage(content=respond['answer']))
Chain链的解释（核心逻辑）
chain = (
#查询rag
RunnablePassthrough.assign(
context = itemgetter("input") | ragdb.as_retriever() | format_docs
)
| RunnablePassthrough.assign(
answer = {"input":itemgetter("input"), "context":itemgetter("context"), "history":itemgetter("history")} | final_prompt | llm | StrOutputParser()
)
)
Chain链流程：
- 查询RAG的chain：获取
input字段->内容交给向量数据库检索->将检索的内容(数组)转换为字符串格式->保存到context字段并传递给下一个任务 - 询问LLM的chain：获取
input,context,history字段->填充上面定义的prompt模板->喂给LLM模型->解析成文本并保存在answer字段
itemgetter是获取上一个任务传递过来的字段内容。
如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~
)
)
