网易RAG问答知识库开源了，Star 6K！！

RAG 问答知识库 QAnything 开源了
QAnything 架构设计剖析
- 整个架构的工作流程主要包含三个环节
- 为什么需要两阶段检索？
- 使用的基座大模型
- 相关技术组件
QAnything 本地部署
- 一键部署安装，特别简单
- 部署安装 FAQ

RAG 问答知识库 QAnything 开源了

网易开源了自研的 RAG 引擎 QAnything。该引擎允许用户上传 PDF、图片、Word、Excel、PowerPoint 等多种格式的文档，并实现类似于 ChatGPT 的互动问答功能，其中每个答案都能精确追溯到相应的文档段落来源。QAnything 支持纯本地部署，上传文档数量无上限，问答准确率高。正如它的名字一样，Q 是 Question，A 是 Answer，QAnything 的目标就是万物皆可问！

在这里插入图片描述
总之，QAnything 是一个支持多种格式文件和数据库的本地知识库问答系统，可离线安装

简单上传本地文件，即可获得准确、快速、靠谱的问答体验。

目前已支持格式: PDF(pdf)，Word(docx)，PPT(pptx)，XLS(xlsx)，Markdown(md)，电子邮件(eml)，TXT(txt)，图片(jpg，jpeg，png)，CSV(csv)，网页链接(html)等。

开源 Github 地址：https://github.com/netease-youdao/QAnything

QAnything 架构设计剖析

整个架构（如下图所示）包括了模型和系统等所有必要的模块。模型方面包括 OCR 解析、Embedding/rerank，以及大模型。系统方面包括向量数据库、MySQL 数据库、前端、后端等必要的模块。整个引擎的功能完整，用户可以直接下载，不需要再搭配其他的模块即可使用。系统可扩展性也非常好，只要硬盘内存足够，就可以一直建库，支持无上限的文档。

在这里插入图片描述

整个架构的工作流程主要包含三个环节

索引（Indexing）：文本索引的构建包括以下步骤：文档解析、文本分块、Embedding 向量化和创建索引。先将不同格式的原始文件解析转换为纯文本，再把文本切分成较小的文本块。通过 Embedding 为每一个文本块生成一个向量表示，用于计算文本向量和问题向量之间的相似度。创建索引将原始文本块和 Embedding 向量以键值对的形式存储，以便将来进行快速和频繁的搜索。
检索（Retrieval）：使用 Embedding 模型将用户输入问题转换为向量，计算问题的 Embedding 向量和语料库中文本块 Embedding 向量之间的相似度，选择相似度最高的前 K 个文档块作为当前问题的增强上下文信息。
生成（Generation）：将检索得到的前 K 个文本块和用户问题一起送进大模型，让大模型基于给定的文本块来回答用户的问题

为什么需要两阶段检索？

知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段Embedding检索，随着数据量增大会出现检索降级的问题。二阶段 rerank重排后能实现准确率稳定增长，即数据越多，效果越好。
QAnything 使用的检索组件 BCEmbedding 有非常强悍的双语和跨语种能力，能消除语义检索里面的中英语言之间的差异。

使用的基座大模型

开源版本 QAnything 的大模型基于阿里通义千问，并在大量专业问答数据集上进行微调，在阿里千问的基础上大大加强了问答的能力。选择一个性价比高的大模型也是很重要的。

QAnything 本地部署

一键部署安装，特别简单

1:下载项目
git clone https://github.com/netease-youdao/QAnything.git

2:进入项目根目录执行启动脚本

cd QAnything

bash ./run.sh-h获取详细的LLM服务配置方法

bash run.sh      #默认在0号GPU上启动

bash close.sh    #关闭服务