RAG是什么
"RAG"（Retrieval-Augmented Generation）是一种结合了检索（Retrieval）和生成（Generation）的人工智能技术，它在大模型中被需要的原因包括：知识丰富性：大模型通过RAG可以访问大量的外部知识库，这有助于提高模型回答问题的准确性和深度。实时信息获取：由于大模型通常是在大量数据上预训练的，它们可能不包含最新的信息。RAG可以通过检索最新的数据来弥补这一点。减少偏见和错误：通过检索可靠的信息源，RAG有助于减少模型生成的偏见或错误信息。提高泛化能力：RAG可以使模型在面对未见过的问题或领域时，通过检索相关信息来提高其泛化能力。应对长尾问题：对于那些低频或非常规的问题，RAG可以通过检索来提供更加准确的答案，而不需要模型在训练数据中直接学习到。 RAG是一种强大的技术，它通过结合检索和生成的优势，使得大模型能够提供更加准确、丰富和及时的信息。随着技术的发展，RAG在大模型中的应用将继续扩展，以满足不断增长的复杂性和多样性需求。 基础的RAG任务包含以下模块，包括：数据读取处理，Index，检索，prompt拼接，大模型推理。如下图所示：
环境搭建
在搭建RAG系统中，我们将使用到以下包：
pip install langchain_community tiktoken langchain-openai langchainhub chromadb langchain
数据读取
我们使用 WebBaseLoader模块处理数据，它采用urllib从 Web URL 加载 HTML 并使用BeautifulSoup解析出文本。
import bs4from langchain_community.document_loaders import WebBaseLoaderloader = WebBaseLoader(web_paths=("https://data.eastmoney.com/report/zw_stock.jshtml?encodeUrl=35LdZWW1ERIe7AWLlyVZFHptPNDUH2qN4gEfzUIhYsc=", "https://data.eastmoney.com/report/zw_stock.jshtml?encodeUrl=OPw8X34UDWQq6g0u70KgHW6e5Ad8C5kc3TYV6t9BZsw=", "https://data.eastmoney.com/report/zw_stock.jshtml?encodeUrl=OPw8X34UDWQq6g0u70KgHbx8/qX6gdD4f6j3/4IEWIA="),bs_kwargs=dict(parse_only=bs4.SoupStrainer(class_=("detail-header", "newsContent")# 根据网页信息不同调整需要保留的字段)),)blog_docs = loader.load()# 数据读取
文本切块
我们将文档拆分为 512 个字符的块，块之间有 128个字符的重叠。重叠有助于降低当前文本与其相关的上下文分离的概率。我们使用 RecursiveCharacterTextSplitter ，它将使用常用分隔符（如换行符）递归拆分文档，直到每个块的大小合适。
# Splitfrom langchain.text_splitter import RecursiveCharacterTextSplittertext_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=512,chunk_overlap=128)
# Make splitssplits = text_splitter.split_documents(blog_docs)
创建索引（Indexing）
这个模块首先创建一个向量模块向量模型可以随意选择，后面将介绍怎么选择向量模型，本篇采用了OpenAIEmbeddings()；然后创建一个向量库，用于储存文本和文本向量：
# Indexfrom langchain_openai import OpenAIEmbeddingsfrom langchain_community.vectorstores import Chromavectorstore = Chroma.from_documents(documents=splits,embedding=OpenAIEmbeddings())
创建检索器
构建一个检索器，用于通过向量相似度检索片段，检索召回是整个系统的关键，决定了结果的上限：
retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 6}))
# 测试一下检索的片段retrieved_docs = retriever.invoke("东方财富营收是多少")len(retrieved_docs)
创建模型
在这个部分，我们将创建两个模块，一是PROMPT模板，这个是根据任务来确定，相同的模型一个好的prompt会得到更好的结果；二是大模型模块，这个是整个系统的中央大脑，决定着整个系统是否智能，例子中使用的gpt-3.5-turbo，使用自己的模型可以看这篇文章RAG：Langchain中使用自己的LLM大模型；
from langchain import hubfrom langchain_openai import ChatOpenAI
prompt = hub.pull("rlm/rag-prompt")# LLMllm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.01)
RAG生成流程
前面已经构建好了索引、检索器、PROMPT模板和大模型，现在我们需要将整个过程组合起来：
from langchain_core.output_parsers import StrOutputParserfrom langchain_core.runnables import RunnablePassthrough
# 文本片段组合def format_docs(docs):return "\n\n".join(doc.page_content for doc in docs)
rag_chain = ({"context": retriever | format_docs, "question": RunnablePassthrough()}| prompt| llm| StrOutputParser())
for chunk in rag_chain.stream("东方财富的营收是多少"): print(chunk, end="", flush=True)
至此，我们完成了一个简单的RAG系统搭建，根据PROMPT的不同，我们可以针对我们的知识库做不同的任务，可以是问答、也可以是创作；通过知识库的辅助，我们的结果会更加的精确。
粤ICP备14082021号
免费POC，
零成本试错
