PieDataCS助力结对{大模型/编程}实践营 ，搭建基于RAG政策问答智能聊天助手

作为联合发起方之一，拓数派携手1024基金会共同推进 AI4AI（AI for All Initiative) 公益普及。结对{大模型/编程}实践营 是 AI4AI 雏鹰计划（AI for Young Eagle）的亮点项目，为零基础学生群体量身定制，体现了 AI4AI 的核心理念——让 AI 从精英专属走向大众普及。本项目由拓数派大模型数据计算系统 PieDataCS 提供技术和平台的强力支撑，为学员们提供了“低门槛”的实践体验，更为项目的落地高效赋能。

本次 “结对大模型” 实践营共 2 名高中生学员参与，我作为导师辅助结对实践。项目主题为 “杭州大学生创业创新政策问答智能聊天助手”，目标是利用 RAG（Retrieval-Augmented Generation） 技术搭建一款智能聊天助手（chatbot），能够针对用户提出的相关问题，提供智能且精准的回答，并附上相应的政策依据。实践营中，学员与导师「结对」，逐步深入项目开发。这种“师徒制”的教学法不仅加快了技术知识的传授，还显著提升了学员的问题解决能力。项目期间，学员们从基础框架搭建开始，逐步深入学习 RAG 流程、大型预训练模型和 LoRA 微调技术，并通过测试多个大模型和分段（chunking）的组合搭配，成功提升了模型的精准度和适应性。

项目获得了拓数派大模型数据计算系统 PieDataCS 的核心技术支撑。其中，向量计算引擎 ——PieCloudVector 发挥了关键效能，其卓越的多模态计算能力，为项目涉及的数据嵌入、并行向量索引构建、基于 BM25 算法（Best Matching 25）的全文检索以及主流近似检索算法等关键环节，提供了稳定、高速且精准的数据处理能力，和 AI 大模型深度结合，解决了模型幻觉、推理安全等问题。同时，拓数派旗下的 PieAIStudio 也深度赋能本项目，在 RAG、预训练模型和 LoRA 微调等方面提供了平台支持。

一、政策问答智能聊天助手的搭建

在构建政策问答智能聊天助手的过程中，我们采用的 RAG 技术，是一种结合了检索和生成的混合型自然语言处理技术，它通过检索相关信息来增强生成模型的上下文理解能力。RAG 的主要优点在于能够有效减少生成式模型的“幻觉”问题，即模型生成与现实不符的内容，从而提高回答的准确性和可靠性。我们将整个搭建过程分为三个关键阶段：数据预处理、推理和评价。

数据预处理

在预处理阶段，我们完成了清洗、分词并提取特征，确保数据质量。首先，我们将 pdf 政策文本转化成 txt，这一步基于开源项目 tesseract-ocr 的简体中文版本实现。

def process_pages(pdf_path, start_page, end_page):
    images = convert_from_path(pdf_path, dpi=300, first_page=start_page, last_page=end_page)
    text_pages = {}

    for i, image in enumerate(images, start=start_page):
        gray_image = ImageOps.grayscale(image)
        text = pytesseract.image_to_string(gray_image, lang='chi_sim+eng')
        print(f"\nPage {i} Text:\n{text}")  # Print recognized text
        text_pages[i] = text + "\n"

    return text_pages

在实施时，我们选取的政策文档为43页，经过 jieba 分词后，得到13194字，共471句话。

words = jieba.lcut(text)
num_words = len(words)

# Matches Chinese period, exclamation, question marks, and newlines
sentence_delimiters = r'[。！？]'  
sentences = re.split(sentence_delimiters, text)

sentences = [s.strip() for s in sentences if s.strip()]
num_sentences = len(sentences)

接下来是分段即 chunking 环节。我们调研了多种常用的分段方法，并着重实验了其中两种。

• 方法一：等字符分段法

这也是最常见的分段方法。为适应大模型每次输入 token 的最大数量限制，并且考虑到单句平均28个字符，我们采用 width=300，overlapping=50 的分割法。

    while start < total_words:
        end = start + W
        chunk_words = words[start:end]
        chunk_text = ''.join(chunk_words)  # Concatenate words without spaces
        chunks.append(chunk_text)
        start = end - overlap  # Move the window forward with overlap

• 方法二：语义双重合并分段

语义双重合并分段（Semantic Chunking double-pass merging）中有双重过程，其中First Pass的目的是准确识别主题的差异，将最明显的句子连接在一起。而 Second Pass 进一步将以上小块组成主题各异的大块。对于主题的变化判定，我们设定了阈值 threshold = 0.7。

这里采用的 sentence tokenizer 是sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2，为句子生成 84 维的向量。

    chunks = []
    current_chunk = []
    i = 0
    while i < len(sentences):
        sentence = sentences[i]
        is_item = bool(item_pattern.match(sentence))
        if is_item:
            # Start a new chunk for the itemized list
            if current_chunk:
                chunks.append(current_chunk)
            current_chunk = [sentence]
            i += 1
            # Add subsequent itemized entries to the current chunk
            while i < len(sentences) and (bool(item_pattern.match(sentences[i])) or sentences[i].startswith(('（', '('))):
                current_chunk.append(sentences[i])
                i += 1
            # Add the completed itemized list chunk
            chunks.append(current_chunk)
            current_chunk = []
        else:
            # Regular sentence processing with semantic similarity
            if not current_chunk:
                current_chunk = [sentence]
            else:
                # Compute similarity with the previous sentence
                embedding_prev = get_sentence_embedding(current_chunk[-1])
                embedding_curr = get_sentence_embedding(sentence)
                sim = cosine_similarity(
                    embedding_prev.reshape(1, -1),
                    embedding_curr.reshape(1, -1)
                )[0][0]
                if sim >= 0.7:  # Adjust the threshold as needed
                    current_chunk.append(sentence)
                else:
                    chunks.append(current_chunk)
                    current_chunk = [sentence]
            i += 1

    # Add any remaining chunk
    if current_chunk:
        chunks.append(current_chunk)

在实践中，我们发现使用同样的大模型，第二种语义分段法的预测效果要优于第一种等字符分段法。这可能是因为在方法二的初始分段过程中，我们注意到了句块过于零散的情况：

条例化的信息在这里被视为分段的标志，而相反他们正应被归为一类。于是我们确保“（）”级别的 itemization 都能被正确合并。

item_pattern = re.compile(r'^(\(?[一二三四五六七八九十0-9]+\)?[．。、])')  

以上两种分段法得到的结果，我们都以 chunks.pkl 和 chunk_embeddings.pkl 形式存储。

推理环节

在推理环节中，我们利用大模型的深度学习功能，通过微调和优化来提高模型的理解和回答能力。我们需要依据用户提问找到相关联的文本，设计提示词，随后调用大模型作答。
先对 query 进行 tokenization，找到相似度最高的 top K 段落（K=5）：

def get_top_k_chunks(query_embedding, chunk_embeddings, K):
    similarities = []
    for idx, chunk_embedding in enumerate(chunk_embeddings):
        sim = cosine_similarity(
            query_embedding.reshape(1, -1),
            chunk_embedding.reshape(1, -1)
        )[0][0]
        similarities.append((idx, sim))
    similarities.sort(key=lambda x: x[1], reverse=True)
    top_k = similarities[:K]
    return top_k

为兼顾模型性能与潜在的参数优化可行性，我们选择 Llama-2-7b-hf 作为大模型。设计一组prompt 后即可开始问答。

    context = ''
    for idx, sim in top_k_chunks:
        chunk_text = ''.join(chunks[idx]) if isinstance(chunks[idx], list) else chunks[idx]
        context += f"【内容{idx+1}】\n{chunk_text}\n\n"
    prompt = f"""你是一名智能助理，请根据以下提供的政策内容，回答用户的问题。请确保回答准确且基于提供的内容。如果无法找到答案，请告知用户。

{context}
用户提问：
{query}
你的回答：
"""

terminal>>
请输入您的问题:杭州市海外高层次人才创新创业有哪些补助?
生成的回答：
参照中国杭州大学生创业大赛在杭落地项目资助条目

可见该回答虽言之成理，仍存在改进空间。问题在于，如何量化评价这一模型的回答准确度？为此，我们引入了多项选择题（MCQ）作为评价集。

评价环节

鉴于大模型生成的自然语言回答存在不确定性，量化其准确性变得颇具挑战。为此，构建一个包含确切答案的评价集显得尤为关键。我们期望该评价集满足以下特点：

首先，每个问题应有一个正确答案，而其他三个错误答案在常识范围内应具有一定的合理性，这样可以确保判断是基于检索到的文档内容，而非模型的先验知识。

其次，正确答案应在选项中随机分布，以避免在训练过程中出现过度拟合。通过人工标注与 AI 技术的辅助，我们成功构建了30组评价问答题，确保了评价集的质量和实用性。

以下是示例问题：

    {
        "query": "哪些企业能获得杭州市的创业补助？",
        "options": {
            "A": "所有注册在杭的企业均可申请。",
            "B": "符合政府补助要求的创新型企业。",
            "C": "补助只提供给年收入超过一定标准的企业。",
            "D": "只限于科技创新型企业。"
        },
        "ground_truth": "B"
    },

在这组评价集上，我们分别验证了两种分段法。鉴于生成的回答不总是如指令里声明的那样，仅仅给出 ABCD 中的选项，我们提取回答中首个出现的合法大写字母作为 predicted answer。

    for char in predicted_answer:
        if char in ['A', 'B', 'C', 'D']:
            return char
    return None

经多组实验，等字符分段法取得了13.3%-20%的准确率，而语义分段法取得了26.7%-50%的准确率。总体而言，语义分段法所产生的文本在该评价集上更加可靠，除了上述提及的合并itemization 的原因，还可能是因为等字符分段法恒定的 top K chunks 输入宽度过大，导致大模型更难准确理解指示。此处展示正确和错误的预测案例各一组以供参考：

至此为止，我们可以对不同大模型与分段法在该评价集上的性能搭配进行总结。

	V1=equal chunking	V2=semantic double merge chunking
Open_llama_7b	16.67%	4.17%
microsoft/phi-2	33.33%	8.33%
Llama-2-7b-hf	20%	50%

表格：不同大模型与分段方法搭配的准确率

注：显示的准确率为多组实验取得的最高值。当调用更小模型时，我们相应更改了分段的策略。例如对于 microsoft/phi-2，我们选取 W=80，overlap=40。对于Open_llama_7b，我们选取 top K=3。

二、LoRA on RAG：从训推一体到深度学习

在学员们利用 RAG 技术搭建政策问答智能聊天助手的流程中，他们经历了详尽的调研和调试，已经从最初的探索者成长为能够独立处理复杂任务的专家。然而，这个项目方案仍有提升空间。

我们注意到，模型的训练和推理过程并未完全分离，导致超参数（hyperparameters）的设定过于依赖初始设计，缺乏迭代优化的过程，这是机器学习早期的常见问题。随着深度学习技术的不断进步，出现了多种调参方法。在这些方法中，LoRA因其能够在较低成本下实现大模型的局部微调而备受青睐。通过引入LoRA 技术，我们可以更有效地优化模型，实现更精准的调整，从而提升整体性能。

什么是LoRA？

LoRA（Low-rank adaptation，低秩适应）是一种高效的机器学习模型微调技术，它能够迅速使模型适应新环境。与RAG专注于特定数据集不同，LoRA使模型能够更好地适应特定的任务需求。在面对多样化的细分任务时，全面微调一个大型模型往往成本过高，而LoRA提供了一种经济且快速的解决方案。通过在模型的QKV（Query, Key, Value）部分引入低秩矩阵，即形式为\(B^{m \times r} \times A^{r \times n}\) 的结构，其中r远小于m和n，LoRA只需训练两个残差（residual）矩阵A和B。这种方法显著减少了训练的参数量，同时对模型的自注意力层和交叉注意力层产生影响，从而实现对模型的快速且有效的微调。

把 LoRA 应用到 RAG Chatbot

我们先将先前的评价集 dataset.json 以 20：5：5 拆成 train：valid：test。设置 lora_config 的参数。

def fine_tune_lora(model_name, train_dataset, valid_dataset):
    # Load the pre-trained LLaMA model
    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")

    # Apply LoRA to the model
    lora_config = LoraConfig(
        r=8,  # Low-rank approximation factor
        lora_alpha=16,  # Scaling factor for the LoRA weights
        target_modules=["q_proj", "k_proj", "v_proj"],  # Target the attention layers
        lora_dropout=0.1  # Dropout rate for LoRA layers
    )

    model = get_peft_model(model, lora_config)

把 evaluation_metric 设置为 accuracy。定义可训练的参数，以及训练器。为节约GPU资源，可下调精度。

    training_args = TrainingArguments(
        output_dir='./results',
        num_train_epochs=3,
        per_device_train_batch_size=2,  
        per_device_eval_batch_size=2,
        gradient_accumulation_steps=4, 
        fp16=True,  # Enable mixed precision
        evaluation_strategy="epoch",
        save_strategy="epoch",
        logging_dir='./logs',
        logging_steps=10,
        save_total_limit=2,
        load_best_model_at_end=True,
        dataloader_num_workers=4,
        push_to_hub=False,
        metric_for_best_model="accuracy",
    )

    trainer = Trainer(
        model=model,
        args=training_args,
        train_dataset=train_dataset,
        eval_dataset=valid_dataset,
        tokenizer=tokenizer,
        compute_metrics=compute_metrics,
    )

def compute_metrics(p):
    logits, labels = p
    predictions = torch.argmax(logits, dim=-1)
    loss = torch.nn.CrossEntropyLoss()(logits.view(-1, logits.size(-1)), labels.view(-1))
    return {
        'eval_loss': loss.item(),
        'accuracy': accuracy_score(labels.view(-1).cpu().numpy(), predictions.view(-1).cpu().numpy())
    }

    # Train the model
    trainer.train()

    # Save the fine-tuned LoRA model
    model.save_pretrained('fine_tuned_lora_llama')
    tokenizer.save_pretrained('fine_tuned_lora_llama')

最后预计需要 64.00MiB GPU 空间。技术原理已经阐明，限于算力资源，工程部分留作将来的拓展实践。

三、项目环境

• 数据处理 IDE：VSCode；
• 测试环境：拓数派大模型数据计算系统向量计算引擎 PieCloudVector ；PieAIStudio
• 训练环境：
  NVIDIA A100-SXM4-80GB；
  Driver Version: 535.183.06；
  CUDA Version: 12.2

参考资料

1. GitHub - flyyuan/pdf2txt-chinese: 将影印版 PDF 图书转换为文本 TXT，供 GPTs 使用作为知识库
2. Chunking methods in RAG: comparison - BitPeak
3. GitHub - Lightning-AI/litgpt: 20+ high-performance LLMs with recipes to pretrain, finetune and deploy at scale.

作者简介

周嘉宇（Jiayu Zhou）
AI4AI志愿者/结对实践营导师

Computer Engineering，ECE Department，ZJU&UIUC。大四本科生，主要研究方向为LLM+Knowledge Graph Reasoning，有三篇在投或发表论文，立志做多模态的next-generation LLM Agent。技术栈多样，曾在证券公司数研部和数据库公司实习，并且热衷于校内外社区服务。期待与同好者合作～