基于LangChain实现的知识库问答工具Langchain-Chatchat

news2025/1/22 14:52:09

基于embedding+LangChain+ChatGLM2-6B 构建行业知识库

Langchain-Chatchat

LangChain 中文文档

langchain

本文使用的Langchain-Chatchat版本是0.2.7

一、构建垂类行业知识库的两种方案

方案一：使用开源LLM本地部署和微调
- 优点：数据最安全，因为不管是模型还是训练数据都在本地
- 缺点：要调教出一个足够出色的模型，需要耗费较多的人力物力（当然相比于预训练已经好太多了）
- 具体实施：（LLAMA、ChatGLM2）+（Lora、P-Tuningv2、promote-tunning等）
- 开源方案：LLaMA-Factory
方案二：基于LLM+向量数据库
- 优点：成本相对低，更简单，无需训练甚至无需微调
- 缺点：如果使用选择ChatGPT等云端大模型，则需牺牲掉一些隐私性
- 具体实施：LangChain + FAISS +（ChatGPT、ChatGLM2、baichuan）
- 开源方案：Quivr、PrivateGPT、LangChain-Chatchat

二、LangChain + 向量数据库 + 开源大模型的实现方案

在这里插入图片描述

将私有知识库内容经过拆分、向量化之后，存入向量知识库
将用户的问题也进行向量化，利用向量相似性算法（例如余弦相似性）找到向量知识库最匹配的 top n 个片段
将这些片段，与用户问题一起作为 prompt 提交给 LLM 回答，作为 LLM 的背景知识，LLM 根据背景知识完成交互问答

三、LangChain-Chatchat使用步骤

Langchain-Chatchat详细wiki文档

1. 下载代码仓库准备基础环境

# 拉取仓库
git clone https://github.com/chatchat-space/Langchain-Chatchat.git

# 进入目录
cd Langchain-Chatchat

# 安装全部依赖
pip install -r requirements.txt 
pip install -r requirements_api.txt
pip install -r requirements_webui.txt  

# 默认依赖包括基本运行环境（FAISS向量库）。如果要使用 milvus/pg_vector 等向量库，请将 requirements.txt 中相应依赖取消注释再安装。

2. 下载模型文件

git lfs install

# 下载ChatGLM2模型
git-lfs clone https://huggingface.co/THUDM/chatglm2-6b

# 下载文本转向量模型
git-lfs clone https://huggingface.co/shibing624/text2vec-base-chinese

3. 初始化参数配置

复制配置文件

python copy_config_example.py

该脚本将会将所有config目录下的配置文件样例复制一份到config目录下，方便开发者进行配置。接着，开发者可以根据自己的需求，对配置文件进行修改。

基础配置项 basic_config.py

该配置基负责记录日志的格式和储存路径，通常不需要修改。

模型配置项 model_config.py的核心参数
- MODEL_ROOT_PATH：本地模型路径配置。建议将所有下载的模型放到一个统一的目录下，然后将MODEL_ROOT_PATH指定为该目录
- EMBEDDING_MODEL：文本向量化对应的模型名称，与MODEL_PATH里面的embed_model里面的key对应，key对应的value与MODEL_ROOT_PATH地址拼接形成完成的模型地址
- LLM_MODELS：大语言模型的名称，与MODEL_PATH里面的llm_model里面的key对应，key对应的value与MODEL_ROOT_PATH地址拼接形成完成的模型地址
- ONLINE_LLM_MODEL：在线模型API配置。在ONLINE_LLM_MODEL已经预先写好了所有支持的在线API服务，通常只需要把申请的API_KEY等填入即可。
- HISTORY_LEN：历史对话轮数通常不建议设置超过10，因为这可能导致显存占用过高、速度处理慢
- TEMPERATURE：通常不建议设置过高。在Agent对话模式和知识库问答中，我们强烈建议将要其设置成0或者接近于0。TEMPERATURE越高，生成内容的随机性越强
- Agent_MODEL = None 我们支持用户使用“模型接力赛”的用法，即：选择的大模型仅能调用工具，但是在工具中表现较差，则这个工具作为 “模型调用工具” 如果用户设置了Agent_MODEL，则在 Agent 中，使用Agent_MODEL来执行任务，否则，使用LLM_MODEL
知识库配置项 kb_config.py

配置与知识库相关的参数，包括知识库的名称，使用的向量数据库类型，文本拆分策略，采用哪种分词器等

提示词配置项 prompt_config.py
- llm_chat: 基础的对话提示词，通常来说，直接是用户输入的内容，没有系统提示词。
- knowledge_base_chat: 与知识库对话的提示词，在模板中，我们为开发者设计了一个系统提示词，开发者可以自行更改。
- agent_chat: 与Agent对话的提示词，同样，我们为开发者设计了一个系统提示词，开发者可以自行更改。

prompt模板使用Jinja2语法，简单点就是用双大括号代替f-string的单大括号请注意，本配置文件支持热加载，修改prompt模板后无需重启服务。

服务配置项 server_config.py

配置服务绑定的IP和端口，以及相应超时时间等参数

4. 初始化知识库

python init_database.py --recreate-vs

5. 加载LoRA微调后的baichuan模型

微调模型加载实操

基于LLaMA-Factory开源代码使用LoRA方法微调baichuan2-base基座模型。

方案一：将LoRA微调后的参数与原参数合并，形成一个完整的模型参数（建议使用这种方式）

在使用LLaMA-Factory微调模型之后，会得到LoRA微调之后保存的目录，执行以下命令：

python src/export_model.py --model_name_or_path XXX --template default --finetuning_type lora --checkpoint_dir XXX --export_dir XXX

其中，–model_name_or_path对应基座模型的路径，–checkpoint_dir对应LoRA微调之后保存的参数李静，–export_dir对应合并之后保存的路径

修改model_config.py配置文件里面的LLM_MODELS和llm_model参数为–export_dir对应的名称和路径，可以在llm_model字典里面追加一个元素来指向合并后的模型

方案二：使用Langchain-Chatchat加载base模型和LoRA参数（此种方式目前存在问题）

Langchain-Chatchat基于 FastChat 加载 LLM 服务，故需以 FastChat 加载 PEFT 路径。针对chatglm,falcon，codet5p以外的模型，以及非p-tuning以外的peft方法，需对peft文件进行修改，步骤如下：

将config.json文件修改为adapter_config.json（使用LLaMA-Factory微调后已经是这个名字了）
保证文件夹包含pytorch_model.bin文件（复制Adapter_model.bin为pytorch_model.bin）；
修改文件夹名称，保证文件夹包含’peft’一词，如文件夹交LoRA-peft；
将peft文件夹移入项目目录下；
确保adapter_config.json文件夹中base_model_name_or_path指向基础模型；
将peft路径添加到model_config.py的llm_model中，键为模型名，值为peft路径，注意使用相对路径，如key是"LoRA-peft"，value也是"LoRA-peft"；
开启 PEFT_SHARE_BASE_WEIGHTS=true环境变量，再执行python startup.py --all-webui

针对p-tuning和chatglm模型，需要对fastchat进行较大幅度的修改。参考微调模型加载实操

6. 启动服务