6行代碼入門RAG開(kāi)發(fā)
什么是RAG？
檢索增強(qiáng)生成（RAG）是指對(duì)大型語(yǔ)言模型輸出進(jìn)行優(yōu)化，使其能夠在生成響應(yīng)之前引用訓(xùn)練數(shù)據(jù)來(lái)源之外的權(quán)威知識(shí)庫(kù)。大型語(yǔ)言模型（LLM）用海量數(shù)據(jù)進(jìn)行訓(xùn)練，使用數(shù)十億個(gè)參數(shù)為回答問(wèn)題、翻譯語(yǔ)言和完成句子等任務(wù)生成原始輸出。在 LLM 本就強(qiáng)大的功能基礎(chǔ)上，RAG 將其擴(kuò)展為能訪問(wèn)特定領(lǐng)域或組織的內(nèi)部知識(shí)庫(kù)，所有這些都無(wú)需重新訓(xùn)練模型。這是一種經(jīng)濟(jì)高效地改進(jìn) LLM 輸出的方法，讓它在各種情境下都能保持相關(guān)性、準(zhǔn)確性和實(shí)用性。
更多關(guān)于RAG的介紹可以看這篇文章：
什么是RAG(檢索增強(qiáng)生成)？
上代碼
# 導(dǎo)入必要的類
from llama_index.core import SimpleDirectoryReader
from llama_index.core import VectorStoreIndex
# 加載文檔
documents = SimpleDirectoryReader("./data").load_data()
# 創(chuàng)建文檔索引
index = VectorStoreIndex.from_documents(documents)
# 創(chuàng)建聊天引擎
chat_engine = index.as_chat_engine(chat_mode="condense_question", verbose=True)
# 執(zhí)行聊天
print(chat_engine.chat("DuckDB的VSS擴(kuò)展主要功能, reply in Chinese"))
6行代碼入門RAG
輸出效果可還滿意？這里使用的是 LiteLLM+ollama? 的私有化模型來(lái)模擬 OpenAI的，詳情下次介紹。
上面的代碼演示使用的是Vector Similarity Search in DuckDB 的英文原文。
代碼解析
1.安裝必要的包：
pip install llama-index2.導(dǎo)入必要的類：
from llama_index.core import SimpleDirectoryReader
from llama_index.core import VectorStoreIndex- ?SimpleDirectoryReader：用于從指定目錄加載文檔的類。
- ?VectorStoreIndex：用于創(chuàng)建文檔索引的類，它允許基于文檔內(nèi)容進(jìn)行檢索。
3.加載文檔：
documents = SimpleDirectoryReader("./data").load_data()? 使用SimpleDirectoryReader類從當(dāng)前目錄下的./data文件夾加載文檔。load_data()方法將文檔加載為一個(gè)列表。
4.創(chuàng)建文檔索引：
index = VectorStoreIndex.from_documents(documents)? 利用VectorStoreIndex類和加載的文檔列表創(chuàng)建一個(gè)索引。這個(gè)索引將用于后續(xù)的檢索和生成回答。
5.創(chuàng)建聊天引擎：
chat_engine = index.as_chat_engine(chat_mode="condense_question", verbose=True)? 使用index.as_chat_engine()方法創(chuàng)建一個(gè)聊天引擎，它將使用索引來(lái)生成回答。
?chat_mode="condense_question"參數(shù)指定了聊天引擎的模式，在這個(gè)例子中，它將嘗試將用戶的問(wèn)題壓縮成更簡(jiǎn)潔的形式。
?verbose=True參數(shù)表示在生成回答的過(guò)程中將打印出額外的詳細(xì)信息。
- 6.執(zhí)行聊天：
print(chat_engine.chat("DuckDB的VSS擴(kuò)展主要功能, reply in Chinese"))? 使用chat_engine.chat()方法執(zhí)行一次聊天交互。
llamaindex 簡(jiǎn)介
LlamaIndex[1] 是一個(gè)用于構(gòu)建 上下文增強(qiáng)型 大型語(yǔ)言模型（LLM）應(yīng)用程序的框架。上下文增強(qiáng)指的是任何在您的私有或特定領(lǐng)域數(shù)據(jù)之上應(yīng)用 LLM 的用例。用例包括：
? 提示（Prompting）
? 問(wèn)答（Question-Answering (RAG)）
? 聊天機(jī)器人（Chatbots）
? 結(jié)構(gòu)化數(shù)據(jù)抽取（Structured Data Extraction）
? 代理（Agents）
? 多模態(tài)應(yīng)用（Multi-Modal Applications）
? 微調(diào)（Fine-Tuning）
LlamaIndex 提供了工具，使您能夠?qū)⑸鲜鋈魏斡美龔脑蜆?gòu)建到生產(chǎn)。這些工具允許您同時(shí)攝取（處理）這些數(shù)據(jù)，并實(shí)現(xiàn)復(fù)雜的查詢工作流程，結(jié)合數(shù)據(jù)訪問(wèn)與 LLM 提示。
LlamaIndex 支持 Python 和 Typescript。
LlamaIndex
RAG 步驟拆解
一個(gè)最基本的 RAG 可以分解為如下5步：
1.查詢向量化：將用戶查詢輸入嵌入模型，將自然語(yǔ)言查詢轉(zhuǎn)換成一個(gè)語(yǔ)義化的嵌入向量，以便于進(jìn)行后續(xù)的數(shù)學(xué)運(yùn)算和相似性比較。
2.向量數(shù)據(jù)庫(kù)查詢：將得到的嵌入查詢向量輸入到向量數(shù)據(jù)庫(kù)中，以便進(jìn)行高效的信息檢索。
3.上下文檢索：在知識(shí)庫(kù)中檢索與查詢向量距離最近的前k個(gè)上下文塊。這些上下文塊與查詢?cè)谡Z(yǔ)義上最為相關(guān)，它們將作為生成答案的依據(jù)。
4.上下文與查詢傳遞：將原始查詢文本和檢索到的相關(guān)上下文文本一起輸入到大型語(yǔ)言模型（LLM）中。
5.生成響應(yīng)：利用LLM的強(qiáng)大生成能力，結(jié)合查詢文本和檢索到的上下文，生成一個(gè)準(zhǔn)確、連貫且信息豐富的響應(yīng)。
通過(guò)這五個(gè)步驟，RAG技術(shù)能夠有效地結(jié)合檢索和生成兩個(gè)環(huán)節(jié)，以提供更加精準(zhǔn)和豐富的信息回答。
引用鏈接
[1] LlamaIndex: https://www.llamaindex.ai/
