1 概述
大语言模型虽然已经有了很多的背景知识,但针对模型训练之后新产生的内容,或者领域内的知识进行提问,大模型本身通常无法准确给出回应,一个常用的解决方法是,借助检索增强生成(RAG),将能够用于回答问题的相关上下文给到大模型,利用大模型强大的理解和生成能力,来缓解这个问题。
本文主要介绍如何借助搜索引擎,获取比较新的内容,并对这部分内容的问题进行回答。首先会简单介绍原理,然后是环境准备,代码介绍,最后会通过Chainlit,构造一个完整的AI搜索问答助手,完全免费。
本文所介绍方法,不需要使用付费大语言模型API,整个流程可以在一台笔记本电脑上运行。
最终效果如下:
可以看出,问到一些比较新的内容时,大模型也能结合网络搜索结果给出准确的回答。
2 基本原理
本文所介绍内容,总体依然是RAG,下面是总体处理流程,此流程图参考此处修改而来。
AI搜索问答并非现去互联网爬取数据,这样会来不及处理,通常都是借助搜索引擎。从搜过引擎获取到相关文档后,后续的所有流程,就跟一般的RAG完全一致了。
3 环境准备
3.1 操作系统
本文使用的所有组件、库,在Windows、Linux、macOS上都可以安装,理论上在这三个系统上都可以正常运行,但没有对所有系统做兼容性测试,下文以macOS 14.4 Sonoma系统,ARM系列芯片笔记本电脑的环境为例进行介绍。
3.2 Python环境准备
推荐使用Anaconda或者Miniconda准备Python环境,具体兼容的Python版本没有做完整测试,本文所使用的是Python 3.11.4。Python安装完成后,安装如下依赖包:
pip install -r requirements.txt
3.3 Ollama安装及模型下载
Ollama是一个能够在本地运行大语言模型的应用,可以直接在命令行中进行问答交互、或者使用相应的API(本文要用到的方式),以及使用第三方GUI工具,如Lobechat等。
从Ollama官网下载并安装对应操作系统的Ollama,Ollama详细的安装配置,请参考Ollama官网。
3.3.1 模型下载
Ollama安装好之后,在命令行中,执行如下两条命令,下载相应的大语言模型和向量模型:
ollama pull qwen:7b
ollama pull znbang/bge:large-zh-v1.5-q8_0
在Ollama官方的Models页面,提供了非常多支持的模型,如果对相关模型比较熟,可以根据机器的配置选择更大或更小的模型。
下载完成后,执行如下命令,进行二次确认,确保下图中框选的部分在列表中:
ollama list
使用如下命令,检查大语言模型是否可以正常工作:
ollama run qwen:7b
如果输出如上图所示内容,则说明大语言模型工作正常。输入/exit
退出问答界面。
3.3.2 使用API
3.3.2.1 大语言模型
如果是依照本文,在本机安装Ollama,执行如下Python代码:
from langchain_community.llms.ollama import Ollama
model_name = 'qwen:7b'
model = Ollama(base_url='http://localhost:11434', model=model_name)
print(model('你是谁'))
如果输出如下内容,则表示API调用正常:
我是阿里云研发的大规模语言模型,我叫通义千问。
如果Ollama安装在其他机器,替换上述代码中的base_url
3.3.2.2 向量模型
类似大语言模型的部分,执行如下Python代码:
from langchain_community.embeddings import OllamaEmbeddings
embedding_model = OllamaEmbeddings(
base_url='http://localhost:11434',
model='znbang/bge:large-zh-v1.5-q8_0'
)
print(embedding_model.embed_query('你是谁'))
如果输出类似如下内容,则表明向量模型API调用正常:
[0.8701383471488953, 0.926769495010376, ...
3.4 搜索引擎API准备
许多搜索引擎都有专门的API,只需要两三行代码即可获取结果,但有些需要复杂的申请流程,有些则不合规,本文使用Bing中文版网页请求地址,借助BeautifulSoup库解析结果的方式,获取Bing搜索结果。
执行如下代码:
def search_with_bing(query):
import requests
from bs4 import BeautifulSoup
from urllib.parse import quote
url = f'https://cn.bing.com/search?q={quote(query)}'
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36'
}
resp = requests.get(url, headers=headers)
soup = BeautifulSoup(resp.text, 'html.parser')
result_elements = soup.select('#b_results > li')
data = []
for parent in result_elements:
if parent.select_one('h2') is None:
continue
data.append({
'title': parent.select_one('h2').text,
'abstract': parent.select_one('div.b_caption > p').text.replace('\u2002', ' '),
'link': parent.select_one('div.b_tpcn > a').get('href')
})
return data
search_with_bing('大语言模型')
如果结果类似如下所示,则表明执行成功:
[{'title': '什么是LLM大语言模型?Large Language Model,从量变到质变',
'abstract': '网页2023年4月17日 · 大语言模型(英文:Large Language Model,缩写LLM),也称大型语言模型,是一种人工智能模型,旨在理解和生成人类语言。. 它们在大量的文本数据上进行训练,可以执行广泛的任务,包括文本总结、翻译、情感分析等等。. LLM的特点是 规模庞大,包含数十亿的参数 ...',
'link': 'https://zhuanlan.zhihu.com/p/622518771'},
{'title': '什么是大模型(LLMs)?一文读懂大型语言模型(Large ...',
'abstract': '网页2 天之前 · 大模型是指具有大规模参数和复杂计算结构的机器学习模型。 这些模型通常由 深度神经网络 构建而成,拥有数十亿甚至数千亿个参数。 大模型的设计目的是为了提高模型的表达能力和预测性能,能够处理更加复杂的任务和数据。 大模型在各种领域都有广泛的应用,包括自然语言处理、计算机视觉、语音识别和 推荐系统 等。 大模型通过训练海量数据 …',
'link': 'https://www.aigc.cn/large-models'},
{'title': '一文读懂“大语言模型” - 知乎',
'abstract': '网页2023年7月17日 · 谷歌的 Gen AI 开发工具介绍. 2、大语言模型介绍. 2.1 大语言模型的定义. 大语言模型是深度学习的分支. 深度学习是机器学习的分支,大语言模型是深度学习的分支。 机器学习是人工智能(AI)的一个子领域,它的核心是让计算机系统能够通过对数据的学习来提高性能。 在机器学习中,我们不是直接编程告诉计算机如何完成任务,而是提供大量 …',
'link': 'https://zhuanlan.zhihu.com/p/644183721'},
...
4 主要流程
4.1 使用搜索引擎检索互联网内容
使用上文提到的search_with_bing函数,直接调用即可
...
search_results = search_with_bing('大语言模型')
...
4.2 获取网页全文
此处简洁起见,使用requests库发送GET请求,获取网页全文。
4.3 文档解析、切片、向量化及检索
本文使用BeautifulSoup解析上文获取到原始HTML对应的文本html。通常使用这种方式解析的HTML效果比较差,可以使用Jina Reader、Firecrawl等库,获得更高质量的解析结果。
...
soup = BeautifulSoup(html, 'html.parser')
item['body'] = soup.get_text()
...
下方的代码,会对文本进行切片,进行向量化,并使用query获取检索结果:
...
text_splitter = RecursiveCharacterTextSplitter(
["\n\n\n", "\n\n", "\n"],
chunk_size=400,
chunk_overlap=50
)
documents = [Document(
item['body'],
metadata={'href': item['href'], 'title': item['title']}
) for item in search_results.values()]
split_docs = text_splitter.split_documents(documents)
vectorstore = Chroma.from_documents(split_docs, embedding_model)
retriever = vectorstore.as_retriever(search_args={'k': 6})
retrieved_docs = retriever.get_relevant_documents(query)
context = '\n\n'.join([doc.page_content for doc in retrieved_docs])
4.4 Prompt构造
使用Prompt如下:
prompt = """请使用下方的上下文(<<<context>>><<</context>>>之间的部分)回答用户问题,如果所提供的上下文不足以回答问题,请回答“我无法回答这个问题”
<<<context>>>
{context}
<<</context>>>
用户提问:{query}
请回答:
""".format(query=query, context=context)
5运行
完整代码访问https://github.com/Steven-Luo/AISearchQA获取。
首先完成第3节中的环境准备,然后执行如下命令:
sh start.sh
出现类似如下的界面,表明启动成功
标签:...,语言,AI,问答,模型,Langchain,query,model,Ollama From: https://www.cnblogs.com/stevenluo/p/18209452