2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

RAG+LlamaParse:引领PDF解析与检索新时代!

发布日期:2025-02-05 08:13:20 浏览次数: 2865
作者:AI技术研习社

微信搜一搜,关注“AI技术研习社”

推荐语

**探索PDF解析与检索的未来,RAG与LlamaParse的结合将如何改变信息处理方式。**

核心内容:
1. RAG技术的工作原理及其在数据驱动生成式AI中的关键作用
2. PDF文件在信息提取中的挑战及LlamaParse技术的优势
3. LlamaParse在处理包含表格、图像等复杂文档中的应用前景

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
检索增强生成(Retrieval-Augmented Generation, RAG)的核心在于将用户感兴趣的数据无缝连接至大型语言模型(LLM),实现数据驱动的生成式AI功能。
这一过程充分结合了生成式AI的强大能力与数据资源的深度融合,使得LLM能够更高效地提供精准且上下文相关的回答。
RAG 系统的潜力远不止于传统意义上服务于聊天机器人类型的应用程序,还将在改进业务决策、预测分析等创新型 AI 应用场景中扮演关键角色,推动智能化发展迈向新的高度。
RAG 的有用性已得到广泛认可,随着技术的不断演进,我们有充分理由期待更多变革性应用的出现,这些应用将彻底改变我们学习和与信息交互的方式。
在众多数据形式中,重要的半结构化数据往往存储在复杂的文件类型中,尤其是我们熟知的难以处理的 PDF 文件。考虑到许多重要文件通常以 PDF 格式呈现,典型示例包括财报电话会议记录、投资者报告、新闻文章、10K/10Q 文档以及 ARXIV 上的研究论文等,这些文档在各个领域中的普遍存在。
为了将这些关键数据有效地纳入 RAG 管道,我们亟需一种方法,能够从 PDF 文件中干净、准确且高效地提取其中的嵌入信息,包括文本、表格、图像、图形等元素。这一过程的优化不仅能够提升数据的可用性,还能加速信息的提取与应用,推动智能问答和决策系统的更大突破。
LlamaParse 是一种先进的 AI 驱动生成式文档解析技术,专为处理包含表格、图形等嵌入对象的复杂文档而设计。它能够高效地解析和提取多种结构化和半结构化数据,从而使文档中的关键信息得以精准、便捷地提取并转化为可用于进一步处理的格式。
LlamaParse 不仅支持传统文本的解析,还能够有效处理包含图像和图表等非文本信息的复杂文件,极大提升了文档数据在智能应用中的可用性和应用场景的广度。
LlamaParse 的核心功能是支持在这些复杂文档(如 PDF)上创建检索系统。LlamaParse 通过从这些文档中提取数据并将其转换为易于摄取的格式(如 markdown 或文本)来实现这一点。转换数据后,可以将其嵌入并加载到 RAG 管道中。
以下代码介绍了使用 LlamaParse 提取 PDF 文件的 RAG 管道的实施。
!pip install llama-index!pip install llama-index-core!pip install llama-index-embeddings-openai!pip install llama-parse!pip install llama-index-vector-stores-kdbai!pip install pandas!pip install llama-index-postprocessor-cohere-rerank!pip install kdbai_client
from llama_parse import LlamaParsefrom llama_index.core import Settingsfrom llama_index.core import StorageContextfrom llama_index.core import VectorStoreIndexfrom llama_index.core.node_parser import MarkdownElementNodeParserfrom llama_index.llms.openai import OpenAIfrom llama_index.embeddings.openai import OpenAIEmbeddingfrom llama_index.vector_stores.kdbai import KDBAIVectorStorefrom llama_index.postprocessor.cohere_rerank import CohereRerankfrom getpass import getpassimport osimport kdbai_client as kdbai
为 LlamaCloudOpenAI 设置 API 密钥:
# llama-parse is async-first, running the async code in a notebook requires the use of nest_asyncioimport nest_asyncionest_asyncio.apply()
# API access to llama-cloudos.environ["LLAMA_CLOUD_API_KEY"] = (    os.environ["LLAMA_CLOUD_API_KEY"]    if "LLAMA_CLOUD_API_KEY" in os.environ    else getpass("LLAMA CLOUD API key: "))
# Using OpenAI API for embeddings/llmsos.environ["OPENAI_API_KEY"] = (    os.environ["OPENAI_API_KEY"]    if "OPENAI_API_KEY" in os.environ    else getpass("OpenAI API Key: "))
设置 KDB。AI 矢量数据库
#Set up KDB.AI endpoint and API keyKDBAI_ENDPOINT = (    os.environ["KDBAI_ENDPOINT"]    if "KDBAI_ENDPOINT" in os.environ    else input("KDB.AI endpoint: "))KDBAI_API_KEY = (    os.environ["KDBAI_API_KEY"]    if "KDBAI_API_KEY" in os.environ    else getpass("KDB.AI API key: "))
#connect to KDB.AIsession = kdbai.Session(api_key=KDBAI_API_KEY, endpoint=KDBAI_ENDPOINT)
连接到“default”数据库,为 KDB 创建一个架构。AI 表,定义索引,然后创建表:
schema = [        dict(name="document_id"type="str"),        dict(name="text"type="str"),        dict(name="embeddings"type="float32s"),    ]indexFlat = {        "name""flat",        "type""flat",        "column""embeddings",        "params": {'dims'1536'metric''L2'},    }
# Connect with kdbai databasedb = session.database("default")
KDBAI_TABLE_NAME = "LlamaParse_Table"# First ensure the table does not already existtry:    db.table(KDBAI_TABLE_NAME).drop()except kdbai.KDBAIException:    pass#Create the tabletable = db.create_table(KDBAI_TABLE_NAME, schema, indexes=[indexFlat])
下载示例 PDF,或导入您自己的 PDF:
!wget 'https://arxiv.org/pdf/2404.08865' -O './LLM_recall.pdf'
让我们用LLM:
EMBEDDING_MODEL  = "text-embedding-3-small"GENERATION_MODEL = "gpt-4o"llm = OpenAI(model=GENERATION_MODEL)embed_model = OpenAIEmbedding(model=EMBEDDING_MODEL)Settings.llm = llmSettings.embed_model = embed_model
pdf_file_name = './LLM_recall.pdf'
parsing_instructions = '''The document titled "LLM In-Context Recall is Prompt Dependent" is an academic preprint from April 2024, authored by Daniel Machlab and Rick Battle from the VMware NLP Lab. It explores the in-context recall capabilities of Large Language Models (LLMs) using a method called "needle-in-a-haystack," where a specific factoid is embedded in a block of unrelated text. The study investigates how the recall performance of various LLMs is influenced by the content of prompts and the biases in their training data. The research involves testing multiple LLMs with varying context window sizes to assess their ability to recall information accurately when prompted differently. The paper includes detailed methodologies, results from numerous tests, discussions on the impact of prompt variations and training data, and conclusions on improving LLM utility in practical applications. It contains many tables. Answer questions using the information in this article and be precise.'''
documents = LlamaParse(result_type="markdown", parsing_instructions=parsing_instructions).load_data(pdf_file_name)
print(documents[0].text[:1000])
从 Markdown 文件中提取base_nodes(文本)和对象节点(表):
# Parse the documents using MarkdownElementNodeParsernode_parser = MarkdownElementNodeParser(llm=llm, num_workers=8).from_defaults()
# Retrieve nodes (text) and objects (table)nodes = node_parser.get_nodes_from_documents(documents)
构建RAG
from openai import OpenAIclient = OpenAI()def embed_query(query):    query_embedding = client.embeddings.create(            input=query,            model="text-embedding-3-small"        )    return query_embedding.data[0].embeddingdef retrieve_data(query):    query_embedding = embed_query(query)    results = table.search(vectors={'flat':[query_embedding]},n=5,filter=[('<>','document_id','4a9551df-5dec-4410-90bb-43d17d722918')])    retrieved_data_for_RAG = []    for index, row in results[0].iterrows():      retrieved_data_for_RAG.append(row['text'])    return retrieved_data_for_RAGdef RAG(query):  question = "You will answer this question based on the provided reference material: " + query  messages = "Here is the provided context: " + "\n"  results = retrieve_data(query)  if results:    for data in results:      messages += data + "\n"  response = client.chat.completions.create(      model="gpt-4o",      messages=[          {"role": "system", "content": question},          {          "role": "user",          "content": [              {"type": "text", "text": messages},          ],          }      ],      max_tokens=300,  )  content = response.choices[0].message.content  return content
在本篇文章中,我们深入探讨了如何在复杂的 PDF 文档上构建一个高效的检索增强生成(RAG)管道。通过使用 LlamaParse 技术,我们成功将 PDF 文档转换为 Markdown 格式,提取了其中的文本和表格信息,并将这些数据顺利摄取到 KDB 中,为后续的 AI 检索提供支持。
由于 RAG 系统已经实现了产品化,能够处理和摄取存储在复杂文档类型中的知识,确保了在各种应用场景中提取和利用关键信息的高效性。LlamaParse 技术正是实现这一目标的关键工具,它为处理和转换复杂文档数据提供了强有力的支持。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅