使用 LangChain 搭建本地知识库系统
什么是 RAG
RAG 是 retrieval-augmented-generation 的缩写，翻译为中文的意思是检索增强，以基于最新、最准确的数据建立 LLM 的语料知识库。
LLM 现存的痛点
我们知道 LLM 的知识库是通过现有的网络公开的数据作为数据源来训练的。现在公开的很多模型他们基于的训练数据会比我们现在网络上公开的数据早很多，那自然就会产生一种问题：网络上最新的数据和知识 LLM 是不知道的。还有一种情况就是很多企业对自己的数据的安全做得很好，也就是私有化数据（这些数据是有价值的，也是企业的立足之本）。这些数据网络上肯定是不存在，那自然 LLM 也是不知道的。
我们在提问 LLM 对于一些不知道的知识时，LLM 很多时候是不知道如何回答问题的，甚至会对我们的问题进行胡诌随机回答，也就是瞎说。
如何解决
那如何让 LLM 知道这些最新/私有的数据的知识呢？
那就是 RAG。通过将模型建立在外部知识来源的基础上来补充回答，从而提高 LLM 生成回答的质量。
在基于 LLM 实现的问答系统中使用 RAG 有三方面的好处：
- 确保 LLM 可以回答最新、最准确的内容。并且用户可以访问模型内容的来源，确保可以检查其声明的准确性并最终可信。
- 通过将 LLM 建立在一组外部的、可验证的事实数据之上，该模型将信息提取到其参数中的机会更少。这减少了 LLM 泄露敏感数据或'幻觉'不正确或误导性信息的机会。
- RAG 还减少了用户根据新数据不断训练模型并随着数据的变化更新训练参数的需要。通过这种方式企业可以降低相关财务成本。
现在支撑所有基础模型的是一种称为 transformer 的 AI 架构。它将大量原始数据转换为其基本结构的压缩表示形式。从这种原始表示开始，基础模型可以适应各种任务，并对标记的、特定于领域的知识进行一些额外的微调。
但是，仅靠微调很少能为模型提供在不断变化的环境中回答高度具体问题所需的全部知识，并且微调的时间周期还比较长。所以当时的 Facebook 提出了 RAG，让 LLM 能够访问训练数据之外的信息。RAG 允许 LLM 建立在专门的知识体系之上，以更准确的方式回答问题。
简单介绍
LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它使应用程序能够：
- 具有上下文感知能力：将语言模型与上下文源（提示说明、少量镜头示例、基于其响应的内容等）联系起来。
- 推理：依靠语言模型进行推理（关于如何根据提供的上下文回答，采取什么行动等）
安装 langchain 相关依赖包
pip install langchain
pip install langchain-community
pip install langchain-core
pip install langchain-experimental
pip install "langserve[all]"
pip install langchain-cli
pip install langsmith
实现知识库
OpenAI 相关配置
如果你不使用 OpenAI，那么你需要参考官网的关于 model I/O 的部分去实例化你对应的 LLM model。本文中的 LLM 使用的是 AZURE_OPENAI 的服务。
import os
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ["AZURE_OPENAI_API_KEY"] = ""
Embedding Model 账户配置
根据自己的实际 LLM 情况去配置相关的参数。
import os
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ[] =
os.environ[] =
os.environ[] =
