引言

你是否想过拥有一个私人订制的AI助手,能够随时为你提供最个性化的信息?本文将带你一步步搭建一个基于本地模型和RAG技术的个人知识库。

搭建本地模型

环境

  • os: archlinux
  • 内存: 32g
  • cpu: 6核12线程
  • python: 3.12.7
  • docker27.3.1 + docker-compose
  • 向量库: milvus2.4.13 + attu2.4(客户端)

    ollama

    pacman -S ollama
    
    systemctl start ollama.service
    
    # 通过下述url判断ollama是否安装成功
    http://127.0.0.1:11434/
    

    llama3.2:3b

    ollama run llama3.2:3b

    OpenWebUI(非必须)

    # 启动openwebui, 按照自己需要调整端口
    docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:main
    
    # 浏览器访问, 可以看到之前启动的模型
    http://localhost:3000/

    程序访问测试

    from langchain_ollama import ChatOllama
    from langchain_core.messages import HumanMessage
    
    # 创建ChatOllama实例,指定模型名称
    model = ChatOllama(model="llama3.2:3b")
    
    # 定义你的问题
    question = HumanMessage("你是如何工作的?")
    
    # 使用模型处理问题
    response = model.invoke([question])
    
    # 打印返回的结果
    print(response.content)

    构建知识库

    RAG是什么

    大模型的训练数据是有截止日期的,那当我们需要依靠不包含在大模型训练集中的数据时,我们该怎么做呢?一种就是对模型进行微调,另外就是通过检索增强生成RAG(Retrieval Augmented Generation)。在这个过程中,首先检索外部数据,然后在生成步骤中将这些数据传递给LLM。

利用大模型的能力搭建知识库就是一个RAG技术的应用。

RAG的应用抽象为5个过程:

  • 文档加载(Document Loading) :从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器,包括PDF在内的非结构化的数据、SQL在内的结构化的数据,以及Python、Java之类的代码等
  • 文本分割(Splitting) :文本分割器把Documents 切分为指定大小的块,我把它们称为“文档块”或者“文档片”
  • 存储(Storage): 存储涉及到两个环节,分别是:

    1. 将切分好的文档块进行嵌入(Embedding)转换成向量的形式
    2. 将Embedding后的向量数据存储到向量数据库
  • 检索(Retrieval) :一旦数据进入向量数据库,我们仍然需要将数据检索出来,我们会通过某种检索算法找到与输入问题相似的嵌入片
  • 输出(Output) :把问题以及检索出来的嵌入片一起提交给LLM,LLM会通过问题和检索出来的提示一起来生成更加合理的答案

    个人笔记

    首先起码得有自己的知识库,我这里就是个人多年整理的笔记。或者你有项目相关的文档,也可以作为知识库的基础。

    将个人笔记写入到Milvus

    from langchain_community.document_loaders import DirectoryLoader
    from langchain_community.vectorstores import Milvus
    from langchain_ollama import OllamaEmbeddings
    from langchain_text_splitters import RecursiveCharacterTextSplitter
    from pymilvus import MilvusClient
    import os
    
    # 检查collection是否存在, 如果不指定,默认为LangChainCollection
    collection_name = "note"
    
    # 设置 Milvus 客户端
    client = MilvusClient(uri="http://localhost:19530")
    
    # 检查collection是否存在
    if client.has_collection(collection_name):
      # collection存在,执行后续操作
      print(f"Collection '{collection_name}' exists.")
    else:
      # collection不存在,创建collection并进行向量化
      print(f"Collection '{collection_name}' does not exist. Creating now...")
      # 从url导入知识作为聊天背景上下文, glob代表只查找org文件,可根据实际情况调整为txt等,recursive=True表示会递归查找
      loader = DirectoryLoader(os.path.join(os.environ["HOME"], "Documents/notes"), glob="*.org", recursive=True)
      # 加载一堆文件
      docs = loader.load()
    
      # 文本分词器
      # chunk_size=1000
      # 表示拆分的文档的大小,也就是上面所说的要设置为多少合适取决于所使用LLM 的窗口大小
      # chunk_overlap=100
      # 这个参数表示每个拆分好的文档重复多少个字符串。
      # 不过这种递归的方式更只能点,不设参数试试默认
      text_splitter = RecursiveCharacterTextSplitter()
      documents = text_splitter.split_documents(docs)
    
      # ollama嵌入层
      embeddings = OllamaEmbeddings(
          model="llama3.2:3b"
      )
    
      # 文档向量化,会持久化
      vector_store = Milvus.from_documents(documents=documents, embedding=embeddings, collection_name=collection_name, drop_old=True)
      print(f"collection'{collection_name}'创建成功!")
    

    注: 上述加载文件的目录需要根据自己实际情况调整,其它的最好用默认,减少出错概率

    将llm与Milvus结合

    from langchain.chains import create_retrieval_chain
    from langchain.chains.combine_documents import create_stuff_documents_chain
    from langchain_community.vectorstores import Milvus
    from langchain_core.output_parsers import StrOutputParser
    from langchain_core.prompts import ChatPromptTemplate
    from langchain_ollama import OllamaEmbeddings
    from langchain_ollama import OllamaLLM
    from langchain_text_splitters import RecursiveCharacterTextSplitter
    from pymilvus import MilvusClient
    
    
    def exec(question):
      # 检查collection是否存在
      collection_name = "note"
      # 设置 Milvus 客户端
      client = MilvusClient(uri="http://localhost:19530")
      vector_store = None
      # 检查collection是否存在
      if client.has_collection(collection_name):
          # collection存在,执行后续操作
          print(f"Collection '{collection_name}' exists.")
          # 文本分词器
          text_splitter = RecursiveCharacterTextSplitter()
          documents = text_splitter.split_documents([])
    
          # ollama嵌入层
          embeddings = OllamaEmbeddings(
              model="llama3.2:3b"
          )
          # 文档向量化
          vector_store = Milvus.from_documents(documents=documents, embedding=embeddings, collection_name=collection_name)
      else:
          # collection不存在,创建collection并进行向量化
          print(f"Collection '{collection_name}' does not exist. Please exec LoadFile2Vector.py first")
      if vector_store is not None:
          # 创建ollama 模型 llama2
          llm = OllamaLLM(model="llama3.2:3b")
          output_parser = StrOutputParser()
    
          # 创建提示词模版
          prompt = ChatPromptTemplate.from_template(
              """Answer the following question based only on the provided context:
              <context>
              {context}
              </context>
              Question: {input}"""
          )
    
          # 生成chain :   prompt | llm
          document_chain = create_stuff_documents_chain(llm, prompt)
    
          # 向量数据库检索器
          retriever = vector_store.as_retriever()
    
          # 向量数据库检索chain :  vector | prompt | llm
          retrieval_chain = create_retrieval_chain(retriever, document_chain)
    
          # 调用上面的 (向量数据库检索chain)
          response = retrieval_chain.invoke({"input": question})
          # 打印结果
          print(response["answer"])
    
    
    if __name__ == '__main__':
      exec("我有什么梦想? 如何实现")

    大致的流程是:用户的query先转成embedding,去向量数据库查询最接近的top K回答;然后这query + top K的回答 + 其他context一起进入LLM,让LLM整合上述所有的信息后给出最终的回复。

    提供接口(非必须)

    可通过fastapi等提供restful接口供外部调用,比如一些个人项目公司内部项目之类的,瞬间高大上起来了。

项目源码

https://github.com/zhaozhiwei1992/NoteAI.git

参考

https://blog.csdn.net/AAI666666/article/details/137509781

https://ollama.com/library

文本向量转换: https://github.com/shibing624/text2vec

文本存储: https://juejin.cn/post/7360564568660410377


离线请留言
11 声望0 粉丝