基于 Chroma 和 Ollama 搭建本地 RAG 应用

参数说明：

• temperature: 控制文本生成的创造性。为 0 时响应是可预测，始终选择下一个最可能的单词，这对于事实和准确性非常重要的答案是非常有用的。为 1 时生成文本会选择更多的单词，会产生更具创意但不可能预测的答案。
• top_p: 核心采样决定了生成时要考虑多少可能的单词。高 top_p 值意味着模型会考虑更多可能的单词，甚至是可能性较低的单词，从而使生成的文本更加多样化。

较低的 temperature 和较高的 top_p，可以产生具有创意的连贯文字。由于 temperature 较低，答案通常具有逻辑性和连贯性，但由于 top_p 较高，答案仍然具有丰富的词汇和观点。比较适合生成信息类文本，内容清晰且能吸引读者。

4. 获取 RAG 检索内容并分块

使用 BeautifulSoup 解析网页内容，按照标签、类名、ID 等方式来定位和提取需要的内容。

import bs4
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter

loader = WebBaseLoader(
    web_paths=("https://vuejs.org/guide/introduction.html#html",),
    bs_kwargs=dict(
        parse_only=bs4.SoupStrainer(
            class_=("content",),
        )
    ),
)
docs = loader.load()

# chunk_overlap：分块的重叠部分
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)

参数说明：

• chunk_overlap: 分块的重叠部分，重叠有助于降低将语句与与其相关的重要上下文分开的可能性。
• chunk_size: 分块的大小，合理的分词设置会提高 RAG 的效果。

5. 向量化存储

内容基于本地的词嵌入模型 nomic-embed-text 嵌入向量数据库中。

from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings

vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=OllamaEmbeddings(model="nomic-embed-text")
)

此处的嵌入模型也可以使用其他的比如 llama3、mistral，但是在本地运行太慢了，它们和 nomic-embed-text 一样不支持中文的词嵌入。如果想试试建立一个中文的文档库，可以试试 herald/dmeta-embedding-zh 词嵌入的模型，支持中文。

ollama pull herald/dmeta-embedding-zh:latest

6. 设置 Prompt 规范输出

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=['context', 'question'],
    template=
    """You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the 
    question. you don't know the answer, just say you don't know 
    without any explanation Question: {question} Context: {context} Answer:""",
)

7. 实现检索问答

基于 langchain 实现检索问答。

from langchain.chains import RetrievalQA

retriever = vectorstore.as_retriever()

qa_chain = RetrievalQA.from_chain_type(
    llm,
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt}
)

question = "what is vue?"
result = qa_chain.invoke({"query": question})
print(result["result"])

如果问的问题与文档无关，它的回答会怎样呢？

question = "what is react?"
result = qa_chain.invoke({"query": question})
print(result["result"])

最终执行后输出了 I don't know.。

构建用户界面

Gradio 是一个用于构建交互式机器学习界面的 Python 库。Gradio 使用非常简单。你只需要定义一个有输入和输出的函数，然后 Gradio 将自动为你生成一个界面。用户可以在界面中输入数据，然后观察模型的输出结果。

整合上述代码，构建可交互的 UI：

import gradio as gr
from langchain_community.llms import Ollama
from langchain.callbacks.manager import CallbackManager
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings
from langchain.chains import RetrievalQA
from langchain_core.prompts import PromptTemplate

def init_ollama_llm(model, temperature, top_p):
    return Ollama(
        model=model,
        temperature=temperature,
        top_p=top_p,
        callback_manager=CallbackManager([StreamingStdOutCallbackHandler()])
    )

def content_web(url):
    loader = WebBaseLoader(web_paths=(url,))
    docs = loader.load()
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
    splits = text_splitter.split_documents(docs)
    return splits

def chroma_retriever_store_content(splits):
    vectorstore = Chroma.from_documents(
        documents=splits,
        embedding=OllamaEmbeddings(model="nomic-embed-text")
    )
    return vectorstore.as_retriever()

def rag_prompt():
    return PromptTemplate(
        input_variables=['context', 'question'],
        template=
        """You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the 
        question. you don't know the answer, just say you don't know 
        without any explanation Question: {question} Context: {context} Answer:""",
    )

def ollama_rag_chroma_web_content(web_url, question, temperature, top_p):
    llm = init_ollama_llm('llama3', temperature, top_p)
    splits = content_web(web_url)
    retriever = chroma_retriever_store_content(splits)
    qa_chain = RetrievalQA.from_chain_type(llm, retriever=retriever, chain_type_kwargs={"prompt": rag_prompt()})
    return qa_chain.invoke({"query": question})["result"]

demo = gr.Interface(
    fn=ollama_rag_chroma_web_content,
    inputs=[
        gr.Textbox(label="web_url", value="https://vuejs.org/guide/introduction.html", info="爬取内容的网页地址"),
        "text",
        gr.Slider(0, 1, step=0.1),
        gr.Slider(0, 1, step=0.1)
    ],
    outputs="text",
    title="Ollama+RAG Example",
    description="输入网页的 URL，然后提问，获取答案"
)

demo.launch()

运行后会输出网页地址 Running on local URL: http://127.0.0.1:7860，打开后即可进行交互。

常见问题与优化建议

在实际部署过程中，可能会遇到以下问题及优化方案：

1. 显存不足：本地运行大模型对 GPU 显存有一定要求。如果显存不足，可以尝试使用量化版本的小模型（如 llama3:8b-instruct-q4_0），或者减少 chunk_size 以降低内存占用。
2. 检索效果不佳：如果检索到的上下文不相关，可以尝试调整 chunk_overlap 的值，增加重叠部分以保留更多上下文信息；也可以尝试不同的嵌入模型，如 bge-m3 等性能更好的开源模型。
3. 响应速度慢：本地推理速度受硬件限制。可以通过预加载模型到内存中减少启动延迟，或者使用更快的 CPU 指令集优化推理过程。
4. 中文支持：默认英文模型对中文理解有限。务必使用支持中文的嵌入模型（如 dmeta-embedding-zh）和适合中文语境的 LLM，并在 Prompt 中明确指示使用中文回答。

通过以上步骤，即可完成一个功能完备的本地 RAG 问答系统。