【Langchain大语言模型开发教程】基于文档问答

🔗 LangChain for LLM Application Development - DeepLearning.AI

Embedding： https://huggingface.co/BAAI/bge-large-en-v1.5/tree/main

学习目标

1、Embedding and Vector Store

2、RetrievalQA

引包、加载环境变量

import os

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file


from langchain.indexes import VectorstoreIndexCreator
from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI
from langchain.document_loaders import CSVLoader
from langchain.vectorstores import DocArrayInMemorySearch
from langchain_huggingface import HuggingFaceEmbeddings
from IPython.display import display, Markdown

加载一下我们的文件

file = 'OutdoorClothingCatalog_1000.csv'
loader = CSVLoader(file_path=file, encoding='utf-8')
docs = loader.load()

Embedding and vector Store

大语言模型一次只能处理几千个单词，如果我们有一个非常大的文档的话，大语言模型不能一次全部处理，怎么办？

这时候就需要用到embeding和 vector store，先来看看embeding

embeding将一段文本转化成数字，用一组数字来表示这段文本。这组数字捕捉了这段文本表示的内容，内容相似的文本，将会有相似的向量值。我们可以在向量空间中比较文本片段来查看他们之间的相似性。

我们使用智源实验室推出的BGE Embedding模型；

model_name = "bge-large-en-v1.5"
embeddings = HuggingFaceEmbeddings(model_name=model_name)

有了embedding模型后，我们还需要一个向量数据库，创建向量数据库，首先需要将文档进行切片分割操作,把文档切分成一个个块(chunks),然后对每个块做embedding，最后再把由embedding生成的所有向量存储在向量数据库中；

我们使用DocArrayInMemorySearch作为向量数据库，DocArrayInMemorySearch是由Docarray提供的文档索引，它将会整个文档以向量的形式存储在内存中；

db = DocArrayInMemorySearch.from_documents(docs, embeddings)

当我们完成了向量数据库构建后，在用户提问时，用户的问题通过Embedding操作生成一组向量，接下来将该向量与向量数据库中的所有向量进行比较，找出前n个最相似的向量并将其转换成对应的文本信息。我们有这样一个问题，现在我们通过向量数据库来查找和该问题相似度最高的内容；

query = "Please suggest a shirt with sunblocking"

docs = db.similarity_search(query)

我们这里查看一下检索到的第一条数据，确实是跟防嗮有关的；

最后，我们将这些与用户问题最相似的文本信息输入到LLM,并由LLM生成最终的回复；

# 创建一个检索器
retriever = db.as_retriever()

# 初始化LLM
llm = ChatOpenAI(api_key=os.environ.get('ZHIPUAI_API_KEY'),
                         base_url=os.environ.get('ZHIPUAI_API_URL'),
                         model="glm-4",
                         temperature=0.98)

刚刚我们输入了一个问题并在向量数据库中检索到了一些相关信息，接下来我们将这些信息和问题一起输入到大语言模型中，使用markdown的格式展示一下效果；

docs_str = "".join([docs[i].page_content for i in range(len(docs))])

response = llm.invoke(f"{docs_str} Question: Please list all your shirts with sun protection in a table in markdown and summarize each one.")

display(Markdown(response.content))

这是智谱GLM4帮我们整理之后的答案，并且帮我们整理好了；

RetrievalQA

当然，如果你觉得这很麻烦，我们可以创建一个RetrievalQA链，这样调用也是可以的；

qa_stuff = RetrievalQA.from_chain_type(
    llm=llm, 
    chain_type="stuff", 
    retriever=retriever, 
    verbose=True
)

query =  "Please list all your shirts with sun protection in a table in markdown and summarize each one."

response = qa_stuff.invoke(query)

该chain包含三个主要的参数，其中llm参数是我们的智谱GLM4, retriever参数设置设置为前面我们由DocArrayInMemorySearch创建的retriever，最后一个重要的参数为chain_type，该参数包含了四个可选值：stuff，map_reduce，refine，map_rerank，接下来我们简单了解一下这些选择的区别；

这种最简单粗暴，会把所有的 document 一次全部传给 llm 模型进行总结。如果document很多话，可能会报超出最大 token 限制的错。

这个方式会先将每个 document 通过llm 进行总结，最后将所有 document 总结出的结果再进行一次总结。

这种方式会先总结第一个 document，然后在将第一个 document 总结出的内容和第二个document 一起发给 llm 模型再进行总结，以此类推。这种方式的好处就是在总结后一个 document 的时候，会带着前一个的 document 进行总结，给需要总结的 document 添加了上下文，增加了总结内容的连贯性。