粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
导读
通过阅读本文你将了解：
如何使用llama 3 构建生成式搜索引擎
获取所有源码
关注公众号，后台发送"llama3搜索引擎构建"获取所有源码
其余llama 3相关文章参见：
在 Visual Studio Code 中运行 Llama 3 :Step by Step
消费级 GPU 微调Llama 3 ：百万规模数据 (附数据&源码)
运行最强开源LLM大模型：Llama3 70B，只需一个4GB GPU！
系统设计
为了构建一个本地生成式搜索引擎或助手，我们需要几个组建：
包含本地文件内容的索引，具有信息检索引擎，用于检索给定查询/问题的最相关文档。
大语言模型，用于从本地文档中选择内容并生成摘要答案
一个用户界面
这些组件的交互方式如下图所示。
首先，我们需要将本地文件索引到可以查询本地文件内容的索引中。
然后，当用户提出问题时，我们将使用创建的索引，以及一些不对称段落或文档embeddings，以检索可能包含答案的最相关文档。
这些文档的内容和问题将传递给本地部署的大型语言模型，该模型将使用给定文档的内容生成答案。
在指令提示prompt中，我们还会要求大语言模型返回所使用文档的引用。
最终，所有内容将在用户界面上向用户可视化呈现。
现在，让我们更详细地看每个组件如何工作和使用。
语义索引
构建一个语义索引，它将根据文件内容的相似性和给定的查询为我们提供最相关的文档。
为了创建这样的索引，我们将使用 Qdrant 作为向量存储（当然也此处也可以使用其他， 例如ElasticSearch）
Qdrant 客户端库 不需要完整安装 Qdrant 服务器，并且可以对适合工作内存（RAM）的文档进行相似性计算。因此，我们所需要做的就是 pip 安装 Qdrant 客户端。
可以按照以下方式初始化 Qdrant（请注意，由于pipeline流程的原因，hf 参数稍后定义，但是使用 Qdrant 客户端时，您已经需要定义使用哪种向量化方法和度量标准）：
from qdrant_client import QdrantClientfrom qdrant_client.models import Distance, VectorParamsclient = QdrantClient(path="qdrant/")collection_name = "MyCollection"if client.collection_exists(collection_name):client.delete_collection(collection_name)client.create_collection(collection_name,vectors_config=VectorParams(size=768, distance=Distance.DOT))qdrant = Qdrant(client, collection_name, hf)
为了创建向量索引，我们将不得不将文档embedding。对于embedding，我们将不得不选择正确的嵌入方法和正确的向量相似度度量标准。更多相似度度量参见：推荐系统中的相似度度量
可以使用多种段落、句子或单词嵌入方法，得到不同的结果。更多embeddings方法参见：最佳Embedding模型效果对比 - OpenAI / Cohere / Google / E5 / BGE 以及 如何使用 "套娃词向量" 模型提升RAG检索速度和效果(附论文+模型权重)
基于文档创建embedding搜索的主要问题是不对称搜索的问题。
不对称搜索问题在信息检索中很常见，当查询较短且文档较长时会出现。单词或句子嵌入通常被微调以根据相似大小的文档（句子或段落）提供相似性分数。一旦不是这种情况，适当的信息检索可能会失败。
然而，我们可以找到一种嵌入方法，可以很好地解决不对称搜索问题。例如，通常在 MSMARCO 数据集上进行微调的模型效果很好。
MSMARCO 数据集基于必应搜索查询和文档，并由微软发布。因此，它非常适合我们正在处理的问题。
对于本文特定的实现，我选择了一个已经微调的模型，称为：
sentence-transformers/msmarco-bert-base-dot-v5
该模型基于 BERT，并且使用点积作为相似性度量进行了微调。我们已经初始化了 qdrant 客户端，以在以下行中使用点积作为相似性度量（请注意，此模型的维度为 768）：
client.create_collection(collection_name,vectors_config=VectorParams(size=768, distance=Distance.DOT))我们可以使用其他度量标准，例如余弦相似度，但是由于该模型是使用点积进行微调的，因此使用该度量标准将获得最佳效果。
此外，从几何角度来看：余弦相似度仅关注角度的差异，而点积同时考虑角度和大小。通过将数据归一化为具有统一大小，这两种度量变得等效。
在忽略大小有益的情况下，余弦相似度是有用的。然而，如果大小很重要，点积是更适合的相似性度量。
初始化 MSMarco 模型的代码如下（如果您有可用的 GPU，请使用它，尽管如此）：
model_name = "sentence-transformers/msmarco-bert-base-dot-v5"model_kwargs = {'device': 'cpu'}encode_kwargs = {'normalize_embeddings': True}hf = HuggingFaceEmbeddings(model_name=model_name,model_kwargs=model_kwargs,encode_kwargs=encode_kwargs
接下来的问题是：由于transformer模型的二次内存要求，BERT 等模型的上下文大小受到限制。
在许多类似 BERT 的模型中，上下文大小设置为 512 个标记。有两种选择：
我们可以仅基于前 512 个标记的答案，并忽略文档的其余部分
创建一个索引，其中一个文档将被分成多个块并存储在索引中。
在第一种情况下，我们将丢失许多重要信息，因此我们选择了第二种变体。为了将文档分块，我们可以使用 LangChain 中的预构建块分割器：
from langchain_text_splitters import TokenTextSplittertext_splitter = TokenTextSplitter(chunk_size=500, chunk_overlap=50)texts = text_splitter.split_text(file_content)metadata = []for i inrange(0,len(texts)):metadata.append({"path":file})qdrant.add_texts(texts,metadatas=metadata)
在提供的代码部分中，我们将文本分块为 500 个tokens大小（一般系统默认是1024个），重叠 50 个tokens的窗口
这样我们可以在块结束或开始的地方保留一些上下文。在代码的其余部分，我们创建了包含用户硬盘上文档路径的元数据，并将这些带有元数据的块添加到索引中。
然而，在将文件内容添加到索引之前，我们需要读取它。甚至在读取文件之前，我们需要获取需要索引的所有文件。
为了简单起见，在这个项目中，用户可以定义一个要索引的文件夹。索引器以递归方式检索该文件夹及其子文件夹中的所有文件，并索引支持的文件（我们将看看如何支持 PDF、Word、PPT 和 TXT）。
我们可以以递归方式检索给定文件夹及其子文件夹中的所有文件：
def get_files(dir):file_list = []for f in listdir(dir):if isfile(join(dir,f)):file_list.append(join(dir,f))elif isdir(join(dir,f)):file_list= file_list + get_files(join(dir,f))return file_list
一旦在列表中检索到所有文件，我们可以读取包含文本的文件内容。在这个工具中，我们将支持 MS Word 文档（扩展名为“.docx”）、PDF 文档、MS PowerPoint 演示文稿（扩展名为“.pptx”）和纯文本文件（扩展名为“.txt”）。
为了读取 MS Word 文档，我们可以使用 docx-python 库。将文档读入字符串变量的函数如下：
import docxdef getTextFromWord(filename):doc = docx.Document(filename)fullText = []for para in doc.paragraphs:fullText.append(para.text)return'\n'.join(fullText)
类似的方法也可以用于 MS PowerPoint 文件。为此，我们需要下载并安装 pptx-python 库，并编写以下函数：
from pptx import Presentationdef getTextFromPPTX(filename):prs = Presentation(filename)fullText = []for slide in prs.slides:for shape in slide.shapes:fullText.append(shape.text)return'\n'.join(fullText)
读取文本文件非常简单：
f = open(file,'r')file_content = f.read()f.close()
在这种情况下，我们将使用 PyPDF2 库来读取 PDF 文件：
reader = PyPDF2.PdfReader(file)for i inrange(0,len(reader.pages)):file_content = file_content + " "+reader.pages[i].extract_text()
最后，整个索引函数将如下所示：
file_content = ""forfile in onlyfiles:file_content = ""iffile.endswith(".pdf"):print("indexing "+file)reader = PyPDF2.PdfReader(file)for i inrange(0,len(reader.pages)):file_content = file_content + " "+reader.pages[i].extract_text()eliffile.endswith(".txt"):print("indexing " + file)f = open(file,'r')file_content = f.read()f.close()eliffile.endswith(".docx"):print("indexing " + file)file_content = getTextFromWord(file)eliffile.endswith(".pptx"):print("indexing " + file)file_content = getTextFromPPTX(file)else:continuetext_splitter = TokenTextSplitter(chunk_size=500, chunk_overlap=50)texts = text_splitter.split_text(file_content)metadata = []for i inrange(0,len(texts)):metadata.append({"path":file})qdrant.add_texts(texts,metadatas=metadata)print(onlyfiles)print("Finished indexing!")
生成式搜索 API
我们将使用 FastAPI 创建一个网络服务来托管我们的生成式搜索引擎。API 将访问 Qdrant 客户端，使用我们在上一节中创建的索引数据执行搜索，使用向量相似度度量来生成答案，并最终将答案提供给用户。
为了初始化和导入生成式搜索组件的库，我们可以使用以下代码：
from fastapi import FastAPIfrom langchain_community.embeddings import HuggingFaceEmbeddingsfrom langchain_qdrant import Qdrantfrom qdrant_client import QdrantClientfrom pydantic import BaseModelimport torchfrom transformers import AutoTokenizer, AutoModelForCausalLMimport environment_varimport osfrom openai import OpenAIclass Item(BaseModel):query: strdef__init__(self, query: str) -> None:super().__init__(query=query)
如前所述，我们使用 FastAPI 创建 API 接口。我们将利用 qdrant_client 库访问我们创建的索引数据，并利用 langchain_qdrant 库进行额外支持。对于嵌入和本地加载 Llama 3 模型，我们将使用 PyTorch 和 Transformers 库。此外，我们将使用 OpenAI 库调用 NVIDIA NIM API，并将 API 密钥存储在我们创建的 environment_var（用于 Nvidia 和 HuggingFace）文件中。
我们创建了一个名为 Item 的类，它派生自 Pydantic 中的 BaseModel，用于传递给请求函数的参数。它将有一个名为 query 的字段。
现在，我们可以开始初始化我们的机器学习模型
model_name = "sentence-transformers/msmarco-bert-base-dot-v5"model_kwargs = {'device': 'cpu'}encode_kwargs = {'normalize_embeddings': True}hf = HuggingFaceEmbeddings(model_name=model_name,model_kwargs=model_kwargs,encode_kwargs=encode_kwargs)
os.environ["HF_TOKEN"] = environment_var.hf_tokenuse_nvidia_api = Falseuse_quantized = Trueif environment_var.nvidia_key !="":client_ai = OpenAI(base_url="https://integrate.api.nvidia.com/v1",api_key=environment_var.nvidia_key)use_nvidia_api = Trueelif use_quantized:model_id = "Kameshr/LLAMA-3-Quantized"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained(model_id,torch_dtype=torch.float16,device_map="auto",)else:model_id = "meta-llama/Meta-Llama-3-8B-Instruct"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained(model_id,torch_dtype=torch.float16,device_map="auto",)
在前几行中，我们加载了在 MSMARCO 数据上微调的基于 BERT 的模型的权重，我们还使用它来索引我们的文档。
然后，我们检查是否提供了 nvidia_key，如果提供了，我们将使用 OpenAI 库调用 NVIDIA NIM API。
当我们使用 NVIDIA NIM API 时，我们可以使用一个包含 70B 参数的 Llama 3 指令模型。如果未提供 nvidia_key，我们将在本地加载 Llama 3。
然而，在本地，至少对于大多数消费类电子产品来说，不可能加载 70B 参数模型。因此，我们将加载 Llama 3 8B 参数模型或额外进行量化的 Llama 3 8B 参数模型。
通过量化，我们节省了空间，并使模型能够在较少的 RAM 上执行。
例如，Llama 3 8B 通常需要约 14GB 的 GPU RAM，而 Llama 3 8B 量化后可以在 6GB 的 GPU RAM 上运行。因此，我们根据参数加载完整或量化模型。
现在我们可以初始化 Qdrant 客户端
client = QdrantClient(path="qdrant/")collection_name = "MyCollection"qdrant = Qdrant(client, collection_name, hf)
还有 FastAPI 并创建一个第一个模拟 GET 函数
app = FastAPI().get("/")asyncdef root():return {"message": "Hello World"}
这个函数将以 JSON 格式返回 {"message":"Hello World"}
然而，为了使此 API 起作用，我们将创建两个函数，一个仅执行语义搜索，而另一个将执行搜索，然后将前 10 个块作为上下文，并生成一个答案，引用它使用的文档。
@app.post("/search")def search(Item:Item):query = Item.querysearch_result = qdrant.similarity_search(query=query, k=10)i = 0list_res = []for res in search_result:list_res.append({"id":i,"path":res.metadata.get("path"),"content":res.page_content})return list_res
@app.post("/ask_localai")asyncdef ask_localai(Item:Item):query = Item.querysearch_result = qdrant.similarity_search(query=query, k=10)i = 0list_res = []context = ""mappings = {}i = 0for res in search_result:context = context + str(i)+"\n"+res.page_content+"\n\n"mappings[i] = res.metadata.get("path")list_res.append({"id":i,"path":res.metadata.get("path"),"content":res.page_content})i = i +1rolemsg = {"role": "system","content": "Answer user's question using documents given in the context. In the context are documents that should contain an answer. Please always reference document id (in squere brackets, for example [0],[1]) of the document that was used to make a claim. Use as many citations and documents as it is necessary to answer question."}messages = [rolemsg,{"role": "user", "content": "Documents:\n"+context+"\n\nQuestion: "+query},]if use_nvidia_api:completion = client_ai.chat.completions.create(model="meta/llama3-70b-instruct",messages=messages,temperature=0.5,top_p=1,max_tokens=1024,stream=False)response = completion.choices[0].message.contentelse:input_ids = tokenizer.apply_chat_template(messages,add_generation_prompt=True,return_tensors="pt").to(model.device)terminators = [tokenizer.eos_token_id,tokenizer.convert_tokens_to_ids("<|eot_id|>")]outputs = model.generate(input_ids,max_new_tokens=256,eos_token_id=terminators,do_sample=True,temperature=0.2,top_p=0.9,)response = tokenizer.decode(outputs[0][input_ids.shape[-1]:])return {"context":list_res,"answer":response}
这两个函数都是 POST 方法，我们使用我们的 Item 类通过 JSON 主体传递查询。第一个方法返回最相似的 10 个文档块，带有路径，并将文档 ID 从 0 到 9 进行分配。因此，它只是使用点积作为相似度度量进行普通语义搜索（这是在 Qdrant 中定义的，记住包含 distance=Distance.DOT 的行）。
第二个名为 ask_localai 的函数稍微复杂。它包含了第一个方法中的搜索机制（因此可能更容易通过那里的代码来理解语义搜索），但添加了一个生成部分。它创建了一个 Llama 3 的提示，其中包含系统提示消息中的指令：
使用上下文中提供的文档回答用户的问题。上下文中应包含应该包含答案的文档。请始终引用文档 ID（例如 [0]，[1] 中的方括号）用于提出主张的文档。使用尽可能多的引用和文档来回答问题。
用户的消息包含一个文档列表，结构化为 ID（0-9），后跟文档块。为了保持 ID 和文档路径之间的映射，我们创建了一个名为 list_res 的列表，其中包括 ID、路径和内容。用户提示以单词 "Question" 结尾，后跟用户的查询。
响应包含上下文和生成的答案。然而，答案再次由 Llama 3 70B 模型（使用 NVIDIA NIM API）、本地 Llama 3 8B 或本地 Llama 3 8B 量化生成，具体取决于传递的参数。
API 可以从包含以下代码行的单独文件中启动（假设我们的生成式组件在名为 api.py 的文件中，因为 Uvicorn 中的第一个参数映射到文件名）：
import uvicornif__name__=="__main__":uvicorn.run("api:app",host='0.0.0.0', port=8000, reload=False, workers=3)
用户界面
我们本地生成式搜索引擎的最终组件是用户界面。我们将使用 Streamlit 构建一个简单的用户界面，其中包括一个输入栏，一个搜索按钮，一个用于显示生成的答案的部分，以及一个可以打开或下载的引用文档列表。
Streamlit 中用户界面的整个代码不到 45 行（确切地说是 44 行）：
import reimport streamlit as stimport requestsimport jsonst.title('_:blue[Local GenAI Search]_ :sunglasses:')question = st.text_input("基于您的本地文件提出问题", "")if st.button("提出问题"):st.write("当前问题是 \"", question+"\"")url = "http://127.0.0.1:8000/ask_localai"payload = json.dumps({"query": question})headers = {'Accept': 'application/json','Content-Type': 'application/json'}response = requests.request("POST", url, headers=headers, data=payload)answer = json.loads(response.text)["answer"]rege = re.compile("\[Document\ [0-9]+\]|\[[0-9]+\]")m = rege.findall(answer)num = []for n in m:num = num + [int(s) for s in re.findall(r'\b\d+\b', n)]st.markdown(answer)documents = json.loads(response.text)['context']show_docs = []for n in num:for doc in documents:ifint(doc['id']) == n:show_docs.append(doc)a = 1244for doc in show_docs:with st.expander(str(doc['id'])+" - "+doc['path']):st.write(doc['content'])withopen(doc['path'], 'rb') as f:st.download_button("下载文件", f, file_name=doc['path'].split('/')[-1],key=a)a = a + 1
最终效果如下图所示：
结论
本文展示了如何利用Qdrant使用生成式人工智能和语义搜索。它通常是一个在本地文件上引用索赔到本地文档的检索辅助生成（RAG）管道。整个代码大约有300行，我们甚至通过为用户提供在3种不同的Llama 3模型之间进行选择来增加了复杂性。对于这个用例，8B和70B参数模型都表现得非常好。
关注公众号，后台发送"llama3搜索引擎构建"获取所有源码
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
2024-11-15
llamaindex实战-Agent-在Agent中使用RAG查询(本地部署)
2024-11-07
深度解析 REAcT Agent 的实现：利用 LlamaIndex 和 Gemini 提升智能代理工作流
2024-11-04
手把手教你用Coze零代码搭建一个智能搜索智能体，高时效性、保姆级！
2024-10-11
深入解析LlamaIndex Workflows【下篇】：实现ReAct模式AI智能体的新方法
2024-10-10
使用Milvus和Llama-agents构建更强大的Agent系统
2024-09-19
LlamaIndex报告：未来Agentic App，不仅是RAG
2024-08-28
对于初学者，该如何选择 LlamaIndex 与 LangChain ？
2024-08-15
【Agent智能体指北】LlamaIndex 工作流：一种创建复杂 AI 应用程序的新方法
2024-07-09
2024-04-20
2024-06-05
2024-04-25
2024-04-28
2024-05-09
2024-07-20
2024-04-26
2024-04-08
2024-06-19
回到顶部