微信扫码
与创始人交个朋友
我要投稿
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, Generator
from autocoder.common import AutoCoderArgs
from concurrent.futures import ThreadPoolExecutor, as_completed
from byzerllm import ByzerLLM
from loguru import logger
import json
import os
import byzerllm
class LongContextRAG:
def __init__(self, llm: ByzerLLM, args: AutoCoderArgs, path: str) -> None:
self.llm = llm
self.args = args
self.path = path
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:
"""
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
): doc
for 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
2024-11-25
RAG的2024—随需而变,从狂热到理性(下)
2024-11-25
RAG的2024—随需而变,从狂热到理性(下)
2024-11-25
糟糕!LLM输出半截Json的答案,还有救吗!
2024-11-24
解读GraphRAG
2024-11-24
RAGChecker:显著超越RAGAS,一个精细化评估和诊断 RAG 系统的创新框架
2024-11-23
FastRAG半结构化RAG实现思路及OpenAI O1-long COT蒸馏路线思考
2024-11-23
检索增强生成(RAG):解密AI如何融合记忆与搜索
2024-11-23
如何提高RAG系统准确率?12大常见痛点及巧妙解!
2024-07-18
2024-05-05
2024-07-09
2024-05-19
2024-07-09
2024-06-20
2024-07-07
2024-07-07
2024-07-08
2024-07-09
2024-11-06
2024-11-06
2024-11-05
2024-11-04
2024-10-27
2024-10-25
2024-10-21
2024-10-21