https://github.com/SmartFlowAI/Hand-on-RAG

顾名思义：手搓的RAG
https://github.com/SmartFlowAI/Hand-on-RAG

Last synced: 2 months ago
JSON representation

顾名思义：手搓的RAG

• Host: GitHub
• URL: https://github.com/SmartFlowAI/Hand-on-RAG
• Owner: SmartFlowAI
• Created: 2024-02-25T03:59:58.000Z (7 months ago)
• Default Branch: main
• Last Pushed: 2024-02-27T14:01:57.000Z (7 months ago)
• Last Synced: 2024-07-30T22:12:38.161Z (2 months ago)
• Language: Python
• Homepage:
• Size: 1.09 MB
• Stars: 104
• Watchers: 1
• Forks: 14
• Open Issues: 1
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

• awesome-llm-and-aigc - SmartFlowAI/Hand-on-RAG - on-RAG?style=social"/> : Hand on RAG. 顾名思义：手搓的RAG。 (Summary)
• awesome-llm-and-aigc - SmartFlowAI/Hand-on-RAG - on-RAG?style=social"/> : Hand on RAG. 顾名思义：手搓的RAG。 (Summary)
• awesome-llm-and-aigc - SmartFlowAI/Hand-on-RAG - on-RAG?style=social"/> : Hand on RAG. 顾名思义：手搓的RAG。 (Summary)

README

        
# Hand on RAG

## 什么是RAG？

LLM会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。

正是在这样的背景下，检索增强生成技术（Retrieval-Augmented Generation，RAG）应时而生，成为 AI 时代的一大趋势。

RAG 通过在语言模型生成答案之前，先从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程，极大地提升了内容的准确性和相关性。RAG 有效地缓解了幻觉问题，提高了知识更新的速度，并增强了内容生成的可追溯性，使得大型语言模型在实际应用中变得更加实用和可信。

此仓库用于学习大模型RAG的相关内容，目前为手搓实现，主要是llama-index和langchain不太好魔改。此仓库可以方便看论文的时候，实现一些小的实验。以下为本仓库的RAG整体框架图。

![alt text](images/Retrieval-Augmented%20Generation（RAG-Learning）.png)

以下为笔者所构思的RAG实现过程，这里面主要包括包括三个基本步骤：

1. 索引 — 将文档库分割成较短的 Chunk，并通过编码器构建向量索引。

2. 检索 — 根据问题和 chunks 的相似度检索相关文档片段。

3. 生成 — 以检索到的上下文为条件，生成问题的回答。



    



# QuickStrat

安装依赖，需要 Python 3.10 以上版本。

```bash

pip install -r requirements.txt

```

导入所使用的包

```python

from RAG.VectorBase import VectorStore

from RAG.utils import ReadFiles

from RAG.LLM import OpenAIChat

```

如果没有数据库那就按照如下代码：

> 可以使用`VectorStore.persist()`保存到向量数据库。

```python

# 没有保存数据库

docs = ReadFiles('./data').get_content(max_token_len=600, cover_content=150) # 获得data目录下的所有文件内容并分割

embedding = JinaEmbedding("your model path") # 创建EmbeddingModel

vector = VectorStore(docs)

vector.get_vector(EmbeddingModel=embedding)

vector.persist(path='storage') # 将向量和文档内容保存到storage目录下，下次再用就可以直接加载本地的数据库

question = 'git的分支原理？'

content = vector.query(question, EmbeddingModel=embedding, k=1)[0]

chat = OpenAIChat(model='gpt-3.5-turbo-1106')

print(chat.chat(question, [], content))

```

如果有数据库那就按照如下代码：

```python

vector = VectorStore()

vector.load_vector('./storage') # 加载本地的数据库

embedding = JinaEmbedding("your model path")

question = 'git的分支原理？'

content = vector.query(question, EmbeddingModel=embedding, k=1)[0]

chat = OpenAIChat(model='gpt-3.5-turbo-1106')

print(chat.chat(question, [], content))

```

> 如果大家的文档有中文的话，不建议使用`openai`的向量接口，可以使用智谱AI或者Jina的向量模型或接口

# 实现细节

## 向量化

在这一部分共使用了三种向量化的方法，分别是`zhipu`、`jina`和`openai`。大家可以在`Embedding`文中找到实现的方式。

如果你有兴趣想使用其他的向量模型可以继承`BaseEmbeddings`类，然后实现`get_embedding`方法。

```python

class BaseEmbeddings:

    """

    Base class for embeddings

    """

    def __init__(self, path: str, is_api: bool) -> None:

        self.path = path

        self.is_api = is_api

    

    def get_embedding(self, text: str, model: str) -> List[float]:

        raise NotImplementedError

    

    @classmethod

    def cosine_similarity(cls, vector1: List[float], vector2: List[float]) -> float:

        """

        calculate cosine similarity between two vectors

        """

        dot_product = np.dot(vector1, vector2)

        magnitude = np.linalg.norm(vector1) * np.linalg.norm(vector2)

        if not magnitude:

            return 0

        return dot_product / magnitude

```

## 向量检索

这里未使用任何成熟的数据库，只是简单的使用`Json`保存了文档分割后的片段和对应的向量。大家可以在`VectorBase`中找到实现的方式。

在向量检索的时候仅使用`Numpy`进行加速，代码非常容易理解和修改。

```python

def query(self, query: str, EmbeddingModel: BaseEmbeddings, k: int = 1) -> List[str]:

    query_vector = EmbeddingModel.get_embedding(query)

    result = np.array([self.get_similarity(query_vector, vector)

                        for vector in self.vectors])

    return np.array(self.document)[result.argsort()[-k:][::-1]]

```

> 没有考虑生产环境使用，仅供学习使用

## LLM 模型

这里支持了`openai`模型和`InternLM2`模型，如果想要用其他的模型，大家可以在`LLM`中找到实现的方式。继承以下基类，然后在此基础上进行修改即可。

```python

class BaseModel:

    def __init__(self, path: str = '') -> None:

        self.path = path

    def chat(self, prompt: str, history: List[dict], content: str) -> str:

        pass

    def load_model(self):

        pass

```

# 参考文献

| Name                                                         | Paper Link                                |

| ------------------------------------------------------------ | ----------------------------------------- |

| When Large Language Models Meet Vector Databases: A Survey   | [paper](http://arxiv.org/abs/2402.01763)  |

| Retrieval-Augmented Generation for Large Language Models: A Survey | [paper](https://arxiv.org/abs/2312.10997) |

| Learning to Filter Context for Retrieval-Augmented Generation | [paper](http://arxiv.org/abs/2311.08377)  |

| In-Context Retrieval-Augmented Language Models               | [paper](https://arxiv.org/abs/2302.00083) |