一、LLM的局限性及解决方案

LLM 固有的局限性:

1. LLM 的知识不是实时的 LLM 是在特定时间点前的海量数据上训练的，因此它们的知识具有时效性。这意味着在面对最新的事件或快速变化的信息时，LLM 可能无法提供准确的回答。
2. LLM 可能不知道你私有的领域/业务知识 LLM 的训练数据通常来自于公开的互联网数据，对于一些专业性强或私有的领域知识，LLM 可能了解有限。例如，在特定的行业标准或企业内部数据方面，LLM 可能无法给出有针对性的答案。

解决方案：搭建一套完整的RAG系统

1. 搭建一套完整的 RAG 系统需要哪些模块？

• 文档加载与切割模块：将文档加载到系统中，并按一定条件切割成片段。
• 检索引擎模块：将切割的文本片段灌入检索引擎，通过关键字进行检索。
• LLM 接口封装模块：封装检索接口，确保能够与 LLM 进行无缝对接。
• 调用流程模块：构建完整的调用流程，从查询到检索，再到生成回复。

• 如何用你的垂域数据补充 LLM 的能力？
• 数据收集与处理：收集企业内部的私有数据或行业特有的数据，并进行清洗和处理。
• 数据索引与检索：将处理后的数据索引到检索引擎中，确保可以快速检索到相关信息。
• 动态更新：定期更新数据，确保检索引擎中的信息始终是最新的，从而补充 LLM 的静态知识库。
  
  

二、什么是检索增强的生成模型（RAG）

检索增强生成（RAG），顾名思义，通过检索的方法来增强生成模型的能力。简单来说，可以将这个过程类比为开卷考试：让 LLM 先翻阅相关资料，再根据检索到的信息回答问题。
这种方法能够显著提高 LLM 的回答准确性和专业性，尤其是在涉及到最新信息或特定领域知识时。

三、RAG 系统的基本搭建流程

1. 文档的加载与切割 首先，将相关文档加载到系统中。为了提高检索效率，需要将文档按一定条件切割成小片段。例如，可以按段落、句子甚至词组进行切割，以便更精准地匹配查询内容。
2. 检索引擎 将切割后的文本片段灌入检索引擎，如Elasticsearch，通过关键字进行检索。检索引擎会根据查询内容返回最相关的片段。
3. LLM 接口封装 封装检索接口，使其能够与 LLM 无缝对接。当用户提出查询时，首先通过检索引擎找到相关信息，再将这些信息传递给 LLM 进行生成。
4. 构建调用流程 完整的调用流程为：用户提出查询（Query） -> 检索引擎进行检索（检索） -> 将检索结果作为提示词（Prompt）传递给 LLM -> LLM 根据提示词生成回复（回复）。
   
   

   




四、Elasticsearch（简称ES）实现RAG

Elasticsearch 是一个分布式、RESTful 风格的搜索和数据分析引擎，非常适合用于实现 RAG 系统。以下是使用 Elasticsearch 实现 RAG 的基本步骤：
1. 安装和配置 Elasticsearch 首先，需要在服务器上安装并配置 Elasticsearch，使其能够处理大量的文本数据和高并发的搜索请求。
2. 文档加载与索引 将切割后的文本片段加载到 Elasticsearch 中，并创建索引。这一步骤可以使用 Elasticsearch 提供的 API 或者通过批量导入工具实现。
3. 搜索查询 使用 Elasticsearch 的强大搜索功能，通过关键字或自然语言查询，快速找到最相关的文本片段。
4. 与 LLM 交互 将 Elasticsearch 返回的结果作为提示词传递给 LLM，并生成最终的回答。这样，LLM 在生成回答时不仅依赖自身的静态知识库，还可以利用最新的、特定领域的知识。
五、实现案例
# 加载必要的库和环境变量import openaiimport osfrom math import *from icecream import icimport jsonfrom pdfminer.high_level import extract_pagesfrom pdfminer.layout import LTTextContainerfrom elasticsearch7 import Elasticsearch, helpersfrom nltk.stem import PorterStemmerfrom nltk.tokenize import word_tokenizefrom nltk.corpus import stopwordsimport nltkimport reimport warnings
# 加载 .env 文件from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())
# 屏蔽一些警告warnings.simplefilter("ignore")
# 初始化 OpenAI 和 Elasticsearch 配置openai.api_key = os.getenv('OPENAI_API_KEY')openai.api_base = os.getenv('OPENAI_API_URL')model = os.getenv('MODEL')ES_HOSTS = os.getenv('ES_HOSTS')ES_USERNAME = os.getenv('ES_USERNAME')ES_PASSWORD = os.getenv('ES_PASSWORD')
def extract_text_from_pdf(filename,page_numbers=None,min_line_length=1):'''从 PDF 文件中提取文本。
:param filename: PDF 文件名:param page_numbers: 需要提取文本的页码列表，可选:param min_line_length: 最小行长度，用于过滤短行，可选:return: 提取的文本段落列表''''''从 PDF 文件中（按指定页码）提取文字'''paragraphs = []buffer = ''full_text = ''# 提取全部文本for i, page_layout in enumerate(extract_pages(filename)):# 如果指定了页码范围，跳过范围外的页if page_numbers is not None and i not in page_numbers:continuefor element in page_layout:if isinstance(element, LTTextContainer):full_text += element.get_text() + '\n'# 按空行分隔，将文本重新组织成段落lines = full_text.split('\n')for text in lines:if len(text) >= min_line_length:buffer += (' '+text) if not text.endswith('-') else text.strip('-')elif buffer: paragraphs.append(buffer)buffer = ''if buffer:paragraphs.append(buffer)return paragraphs
def fenchi_init():'''初始化自然语言处理工具，下载必要的资源。'''nltk.download('punkt') # 英文切词、词根、切句等方法nltk.download('stopwords') # 英文停用词库
def to_keywords(input_string):'''将输入字符串转换为关键词列表。
:param input_string: 输入的字符串:return: 关键词字符串''''''（英文）文本只保留关键字'''# 使用正则表达式替换所有非字母数字的字符为空格no_symbols = re.sub(r'[^a-zA-Z0-9\s]', ' ', input_string)word_tokens = word_tokenize(no_symbols)stop_words = set(stopwords.words('english'))ps = PorterStemmer()# 去停用词，取词根filtered_sentence = [ps.stem(w) for w in word_tokens if not w.lower() in stop_words]return ' '.join(filtered_sentence)
def init_index(paragraphs):'''初始化 Elasticsearch 索引，将文本段落索引到 Elasticsearch 中。
:param paragraphs: 文本段落列表'''# 1. 创建Elasticsearch连接es = Elasticsearch(hosts=[ ES_HOSTS ],# 服务地址与端口http_auth=(ES_USERNAME, ES_PASSWORD), # 用户名，密码)
# 2. 定义索引名称index_name = "string_index"
# 3. 如果索引已存在，删除它（仅供演示，实际应用时不需要这步）if es.indices.exists(index=index_name):es.indices.delete(index=index_name)
# 4. 创建索引es.indices.create(index=index_name)
# 5. 灌库指令actions = [{"_index": index_name,"_source": {"keywords": to_keywords(para),"text": para}}for para in paragraphs]
# 6. 文本灌库helpers.bulk(es, actions)
def search(query_string, top_n=3):'''在 Elasticsearch 中搜索匹配的文本段落。
:param query_string: 搜索查询字符串:param top_n: 返回的匹配段落数量:return: 匹配的文本段落列表'''# 1. 创建Elasticsearch连接es = Elasticsearch(hosts=[ ES_HOSTS ],# 服务地址与端口http_auth=(ES_USERNAME, ES_PASSWORD), # 用户名，密码)# ES 的查询语言search_query = {"match": {"keywords": to_keywords(query_string)}}index_name = "string_index"res = es.search(index=index_name, query=search_query, size=top_n)return [hit["_source"]["text"] for hit in res["hits"]["hits"]]
def get_completion(prompt, model=model):'''使用 OpenAI 完成聊天对话。
:param prompt: 聊天的提示信息:param model: 使用的 OpenAI 模型:return: 聊天的回复'''messages = [{"role": "user", "content": prompt}]
response = openai.ChatCompletion.create(model=model,messages=messages,temperature=0,# 模型输出的随机性，0 表示随机性最小)
return response.choices[0].message["content"]
def build_prompt(prompt_template, **kwargs):'''根据模板和参数构建提示信息。
:param prompt_template: 提示信息的模板字符串:param kwargs: 用于替换模板中的变量的键值对:return: 构建后的提示信息''''''将 Prompt 模板赋值'''prompt = prompt_templatefor k, v in kwargs.items():if isinstance(v,str):val = velif isinstance(v, list) and all(isinstance(elem, str) for elem in v):val = '\n'.join(v)else:val = str(v)prompt = prompt.replace(f"__{k.upper()}__",val)return prompt
def test_promopt():'''测试构建和使用提示信息的函数。'''prompt_template = """你是一个问答机器人。你的任务是根据下述给定的已知信息回答用户问题。确保你的回复完全依据下述已知信息。不要编造答案。如果下述已知信息不足以回答用户的问题，请直接回复"我无法回答您的问题"。
已知信息:__INFO__
用户问：__QUERY__
请用中文回答用户问题。"""user_query="how many parameters does llama 2 have?"
# 1. 检索search_results = search(user_query,2)
# 2. 构建 Promptprompt = build_prompt(prompt_template, info=search_results, query=user_query)print("===Prompt===")print(prompt)
# 3. 调用 LLMresponse = get_completion(prompt)#response = get_completion_ernie(prompt)print("===回复===")print(response)
if __name__ == '__main__':
test_promopt()

‍

通过以上步骤，企业可以构建一套强大的 RAG 系统，显著提升 LLM 在处理特定领域知识和实时信息时的表现。这不仅增强了 LLM 的实用性，也为企业提供了一个高效的信息查询和知识管理工具。