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["AZURE_OPENAI_API_KEY"] = ""
os.environ["OPENAI_API_VERSION"] = "2023-05-15"
os.environ["OPENAI_API_TYPE"] = "azure"
RAG 增强检索的流程图

代码执行流程
- 加载 langchain 相关包
- 加载 URL 网页的文档并生成 langchain Document raw_documents
- 将 raw_documents 拆分为适合 embedding model 能够处理大小的 chunk 小文档
- 使用 embedding model API 将小的 chunk 向量化,并保存向量数据库
- 构建 RAG prompt 提示,并使用变量 {context} 和 {question},并限定回答问题所使用的文本
- 使用 LCEL 表达式构建 RAG chain
- 在 app/server.py 中添加 add_routes(app, rag_chroma_chain, path="/dify") 代码
- 执行代码 langchain serve 启动服务
代码实现
导入 langchain 的百度千帆 embedding model。
from langchain_community.embeddings import QianfanEmbeddingsEndpoint
我这里使用的百度千帆的 embedding model,具体你要使用哪个产品的 embedding model 在对应的地方修改为自己的即可。
embedding model 的作用有两点:
- 将我们拆分后的 documents 做向量化,然后并保存到对应的向量数据库中。
- 用户在查找相关问题的时候,先从向量数据库中查找出相似的文档。
也就是提供了存储和查询的功能。
定义 embedding model 的初始化
import os
def embedQianfan():
os.environ["QIANFAN_AK"] = ""
os.environ["QIANFAN_SK"] = ""
embed = QianfanEmbeddingsEndpoint()
return embed
定义 OpenAI 实现
根据自己的账户情况去配置相关参数。
def openai_llm() -> AzureChatOpenAI:
os.environ["AZURE_OPENAI_ENDPOINT"] = ""
os.environ["AZURE_OPENAI_API_KEY"] = ""
from langchain_openai import AzureChatOpenAI
llm = AzureChatOpenAI(
azure_deployment="gpt-4",
openai_api_version="2023-05-15"
)
return llm
OpenAI 官方服务
如果你用的是 OpenAI 官方的服务,那么使用就更加的简单了。
import getpass
os.environ["OPENAI_API_KEY"] = getpass.getpass()
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)
整体代码实现详解
from langchain_community.vectorstores import Chroma
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.pydantic_v1 import BaseModel
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
raw_documents = WebBaseLoader("https://docs.dify.ai/v/zh-hans/getting-started/readme").load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
all_splits = text_splitter.split_documents(raw_documents)
vectorstore = Chroma.from_documents(
documents=all_splits,
collection_name="RAG-chroma",
embedding=embedQianfan(),
)
retriever = vectorstore.as_retriever()
template = """Answer the question with chinese and based only on the following context:
{context}
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = openai_llm()
chain = (
RunnableParallel({: retriever, : RunnablePassthrough()})
| prompt
| model
| StrOutputParser()
)
():
__root__:
chain = chain.with_types(input_type=Question)
(chain.invoke())
(chain.invoke())
(chain.invoke())
(chain.invoke())
启动项目
如果你使用的是 langchain serve 构建的,那么你可以按下面的启动命令启动服务。服务你只是一个单文件,那么执行 python 你的文件。
langchain serve
INFO: Will watch for changes in these directories: [
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO: Started reloader process [87768] using WatchFiles
[INFO] [02-28 16:30:15] openapi_requestor.py:316 [t:140704718436288]: requesting LLM api endpoint: /embeddings/embedding-v1
[INFO] [02-28 16:30:15] oauth.py:207 [t:140704718436288]: trying to refresh access_token for ak r5KIlr***
[INFO] [02-28 16:30:15] oauth.py:220 [t:140704718436288]: successfully refresh access_token
INFO: Started server process [87777]
INFO: Waiting for application startup.
LANGSERVE: Playground for chain "/pirate-speak/" is live at:
LANGSERVE: │
LANGSERVE: └──> /pirate-speak/playground/
LANGSERVE:
LANGSERVE: Playground for chain "/dify/" live at:
│
└──> /dify/playground/
See all available routes at /docs/
启动成功后访问地址:http://127.0.0.1:8000/dify/playground/
提问示例
- dify 是什么?
- dify 能干什么?请用列表形式回答
切换文档后继续提问,观察输出
注意点
1、文件拆分
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
文本拆分一定需要注意 embedding model 窗口所能处理的 token 数量。如果超出则会出问题。
总结
本文主要是介绍了如何使用 LangChain 构建一个自己的知识库系统。
- 介绍了知识库构建的 RAG 相关的知识
- LLM 不能做什么,如何将最新的数据与 LLM 相结合来提升 LLM 的能力
- LangChain 的基本介绍,他是一个用于开发由语言模型驱动的应用程序的框架
- 向量数据库的作用:存储向量化后的文本然后提供查找语义相关的内容
- 构建知识库的步骤和相关代码的介绍