AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


世界上最简单最暴力的 RAG 系统
发布日期:2024-08-21 21:09:58 浏览次数: 1891 来源:祝威廉


要搞一个 RAG 系统,hmmm,大模型,向量模型,向量存储这三个是标配,接着呢,为了让效果变得更好, 就要继续加啊加,再来个 rerank 模型,提高下精度,向量存储不够,再加个全文检索,做混合多路召回。瞬间把系统复杂度拉满,然后又要开始做资源隔离,做运维了,保证多系统协同工作,高可用 balabala...

光把系统搞复杂怎么行?应用也要搞复杂!效果还不高,引入llama_index,这玩意提供了上百种存储,召回策略,搞 oneapi, 这玩意封装了无数个大模型接口。

接着发现,开发应用太复杂了,要不再引入个 workflow ,减轻下开发的压力,把一些工作转移给业务?乌拉,成功转移,大家都有活干。

诶,发现和以前大数据时代,实时性好像不太好搞了,得搞个实时系统啊,那得再加kafka,全量批量更新向量数据库 继续balabala....

不就是一个获取一些 context,然后让大模型基于这些context 回答用户的一些question  ,得到一个答案,就这么简单的一件事,为啥被这些搞软件,搞AI的同学搞成现在这么复杂呀?

于是,我决定,我要搞一个没有向量数据库,没有向量模型,没有检索存储,没有向量数据库,没有llama_index,没有各种封装,

对,只依赖一个大模型就可以用的RAG系统!

一条语句安装系统:

pip install auto-coder


启动模型代理:

easy_byzerllm deploy deepseek-chat --token _api_key


启动兼容 OpenAI 的服务:

auto-coder doc serve \--model deepseek_chat \--doc_dir /Users/allwefantasy/projects/llm_friendly_packages/github.com/allwefantasy/byzer-sql

通过 doc_dir 指定你的文档目录。这

在 NextChat 里配置下 API 地址 http://127.0.0.1:8000/v1。


这就是一个带有你私有知识库的 deepseek 了:


我还可以方便的集成到我的业务系统去用:


这就完了?当然不是!我们来讲讲原理。

前面的RAG系统为啥搞那么复杂?因为想当年大模型太弱!速度慢,窗口端(还记得4k的岁月么),一篇文档都放不下!

速度慢,成本高,只能让大模型继续退化成rerank模型,embeding模型,去做数据初级过滤。

现在,大模型已经获得大发展。128K已经是标配,你看人家Kimi动不动几十篇文章放context里去,切啥片? 现在7B 快如闪电,deepseek 成本低如狗,我们直接暴力并发让大模型看所有的内容来做,只输出一个token(yes/no),加上他们家的kv磁盘缓存,不要太贵好么。

所以 auto-coder 新模式,直接使用大模型来做数据过滤(高并发,高输入,低输出),过滤的数据直接以文档为粒度放入到上下文给到大模型做回,效果巨好,远超“片段”模式。不服来PK。

原理讲完了,这就完了?当然不是,这个想法,我刚想清楚,用了十分钟就是实现了,全自动AI生成的代码, prompt 都是AI自己写的:

from typing import Any, Dict, List, Optional, Tuple, Generatorfrom autocoder.common import AutoCoderArgsfrom concurrent.futures import ThreadPoolExecutor, as_completedfrom byzerllm import ByzerLLMfrom loguru import loggerimport jsonimport os
import byzerllm

class LongContextRAG:def __init__(self, llm: ByzerLLM, args: AutoCoderArgs, path: str) -> None:self.llm = llmself.args = argsself.path = path
@byzerllm.prompt()def _check_relevance(self, query: str, document: str) -> str:"""请判断以下文档是否能够回答给出的问题。只需回答"是"或"否"。
问题:{{ query }}
文档:{{ document }}
回答:"""
@byzerllm.prompt()def _answer_question(self, query: str, relevant_docs: List[str]) -> Generator[str, None, None]:"""使用以下文档来回答问题。如果文档中没有相关信息,请说"我没有足够的信息来回答这个问题"。
文档:{% for doc in relevant_docs %}{{ doc }}{% endfor %}
问题:{{ query }}
回答:"""
def _retrieve_documents(self) -> List[str]:documents = []for root, dirs, files in os.walk(self.path):for file in files:if file.endswith(".md"):file_path = os.path.join(root, file)with open(file_path, "r", encoding="utf-8") as f:documents.append(f.read())return documents
def stream_chat_oai(self,conversations,model: Optional[str] = None,role_mapping=None,llm_config: Dict[str, Any] = {},):query = conversations[-1]["content"]documents = self._retrieve_documents()
with ThreadPoolExecutor(max_workers=self.args.index_filter_workers or 5) as executor:future_to_doc = {executor.submit(self._check_relevance.with_llm(self.llm).run, query, doc): docfor doc in documents}relevant_docs = []for future in as_completed(future_to_doc):try:doc = future_to_doc[future]if "是" in future.result().strip().lower():relevant_docs.append(doc)except Exception as exc:logger.error(f"Document processing generated an exception: {exc}")
if not relevant_docs:return ["没有找到相关的文档来回答这个问题。"], []else:chunks = self._answer_question.with_llm(self.llm).run(query, relevant_docs)return chunks, []


然后再让AI写个 jupyter notebook 让我测试下:

然后我就发布了!可以到这里看源码:https://github.com/allwefantasy/auto-coder/blob/master/src/autocoder/rag/long_context_rag.py

最后,这个代码是在 auto-coder里,但是是用 auto-coder.chat 开发的。对每次,auto-coder.chat 自己开发自己!

我是一个坚定的大模型暴力论者,能简单用大模型就解决的,就用大模型解决!


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询