目录
本文是对书生大模型L2-茴香豆：企业级知识库问答工具部分的学习和实现，学习地址如下：
学习地址：学员闯关手册 - 飞书云文档 (feishu.cn)
茴香豆介绍
茴香豆 是由书生·浦语团队开发的一款开源、专门针对国内企业级使用场景设计并优化的知识问答工具。在基础 RAG 课程中我们了解到，RAG 可以有效的帮助提高 LLM 知识检索的相关性、实时性，同时避免 LLM 训练带来的巨大成本。在实际的生产和生活环境需求，对 RAG 系统的开发、部署和调优的挑战更大，如需要解决群应答、能够无关问题拒答、多渠道应答、更高的安全性挑战。因此，根据大量国内用户的实际需求，总结出了三阶段Pipeline的茴香豆知识问答助手架构，帮助企业级用户可以快速上手安装部署。
茴香豆特点：
-
三阶段 Pipeline （前处理、拒答、响应），提高相应准确率和安全性
-
打通微信和飞书群聊天，适合国内知识问答场景
-
支持各种硬件配置安装，安装部署限制条件少
-
适配性强，兼容多个 LLM 和 API
-
傻瓜操作，安装和配置方便
茴香豆本地标准版搭建
环境搭建
配置服务器：
镜像选择 Cuda11.7-conda ，资源类型选择 30% A\*100。输入开发机名称 huixiangdou, 点击立即创建。
在 开发机 页面选择刚刚创建的个人开发机 huixiangdou，单击 启动：
搭建茴香豆虚拟环境：
命令行中输入一下命令，创建茴香豆专用 conda 环境：
studio-conda -o internlm-base -t huixiangdou创建成功，用下面的命令激活环境：
conda activate huixiangdou如下图所示：
安装茴香豆
下载茴香豆
先从茴香豆仓库拉取代码到服务器：
如下图所示：
cd /root
# 克隆代码仓库
git clone https://github.com/internlm/huixiangdou && cd huixiangdou
git checkout 79fa810
安装茴香豆所需依赖
首先安装茴香豆所需依赖：
如下图所示：
conda activate huixiangdou
# parsing `word` format requirements
apt update
apt install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr flac ffmpeg lame libmad0 libsox-fmt-mp3 sox libjpeg-dev swig libpulse-dev
# python requirements
pip install BCEmbedding==0.15 cmake==3.30.2 lit==18.1.8 sentencepiece==0.2.0 protobuf==5.27.3 accelerate==0.33.0
pip install -r requirements.txt
# python3.8 安装 faiss-gpu 而不是 faiss
这里在安装发生了报错BCEmbedding的版本不对，后来改为了0.1.5版本，重新安装：
后面安装依赖时发现BCEmbedding和transformer的版本不匹配，出现报错，如下如所示：
这里我重新安装4.36.0版本的transformer，后来成功安装，如下图所示：
下载模型文件
茴香豆默认会根据配置文件自动下载对应的模型文件，为了节省时间，所需的模型已经提前下载到服务器中，我们只需要为所需的模型建立软连接，然后在配置文件中设置相应路径就可以，如下图所示：
# 创建模型文件夹
cd /root && mkdir models
# 复制BCE模型
ln -s /root/share/new_models/maidalun1020/bce-embedding-base_v1 /root/models/bce-embedding-base_v1
ln -s /root/share/new_models/maidalun1020/bce-reranker-base_v1 /root/models/bce-reranker-base_v1
# 复制大模型参数（下面的模型，根据作业进度和任务进行**选择一个**就行）
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b
更改配置文件
执行下面的命令更改配置文件，让茴香豆使用本地模型。
如下图所示：
sed -i '9s#.*#embedding_model_path = "/root/models/bce-embedding-base_v1"#' /root/huixiangdou/config.ini
sed -i '15s#.*#reranker_model_path = "/root/models/bce-reranker-base_v1"#' /root/huixiangdou/config.ini
sed -i '43s#.*#local_llm_path = "/root/models/internlm2-chat-7b"#' /root/huixiangdou/config.ini
知识库创建
修改完配置文件后，就可以进行知识库的搭建，本次教程选用的是茴香豆和 MMPose 的文档，利用茴香豆搭建一个茴香豆MMPose 的知识问答助手。
在 huixiangdou 文件加下创建 repodir 文件夹，用来储存知识库原始文档。再创建一个文件夹 workdir 用来存放原始文档特征提取到的向量知识库。
如下图所示：
知识库创建成功后会有一系列小测试，检验问题拒答和响应效果，如图所示，关于“mmpose 安装”的问题，测试结果可以很好的反馈相应答案和对应的参考文件，但关于“std：：vector 使用”的问题，因为属于 C++ 范畴，不再在知识库范围内，测试结果显示拒答，说明我们的知识助手工作正常。
如下图所示：
测试知识助手
命令行运行
运行下面的命令，可以用命令行对现有知识库问答助手进行测试：
conda activate huixiangdou
cd /root/huixiangdou
python3 -m huixiangdou.main --standalone
Gradio UI 界面测试
茴香豆也用 gradio 搭建了一个 Web UI 的测试界面，用来测试本地茴香豆助手的效果。
茴香豆助手搭建在远程服务器上，因此需要先建立本地和服务器之间的透传，透传默认的端口为 7860，在本地机器命令行中运行如下命令，如下图所示：
在运行茴香豆助手的服务器端，输入下面的命令，启动茴香豆 Web UI：
conda activate huixiangdou
cd /root/huixiangdou
python3 -m huixiangdou.gradio这里进入页面：
然后和它进行对话，如下图所示：
效果还是不错的。
