本教程演示如何使用向量检索服务(DashVector),结合 LLM 大模型等能力,来打造基于垂直领域专属知识等问答服务。其中 LLM 大模型能力,以及文本向量生成等能力,这里基于灵积模型服务上的通义千问 API 以及 Embedding API 来接入。
大语言模型(LLM)作为自然语言处理领域的核心技术,具有丰富的自然语言处理能力。但其训练语料库具有一定的局限性,一般由普适知识、常识性知识,如维基百科、新闻、小说,和各种领域的专业知识组成。导致 LLM 在处理特定领域的知识表示和应用时存在一定的局限性,特别对于垂直领域内,或者企业内部等私域专属知识。
实现专属领域的知识问答的关键,在于如何让 LLM 能够理解并获取存在于其训练知识范围外的特定领域知识。同时可以通过特定 Prompt 构造,提示 LLM 在回答特定领域问题的时候,理解意图并根据注入的领域知识来做出回答。在通常情况下,用户的提问是完整的句子,而不像搜索引擎只输入几个关键字。这种情况下,直接使用关键字与企业知识库进行匹配的效果往往不太理想,同时长句本身还涉及分词、权重等处理。相比之下,倘若我们把提问的文本,和知识库的内容,都先转化为高质量向量,再通过向量检索将匹配过程转化为语义搜索,那么提取相关知识点就会变得简单而高效。
接下来我们将基于中文突发事件语料库(CEC Corpus)演示关于突发事件新闻报道的知识问答。
主要分为三个阶段:
本地知识库的向量化 。通过文本向量模型将其转化为高质量低维度的向量数据,再写入 DashVector 向量检索服务。这里数据的向量化我们采用了灵积模型服务上的 Embedding API 实现。
相关知识点的提取 。将提问文本向量化后,通过 DashVector 提取相关知识点的原文。
构造 Prompt 进行提问 。将相关知识点作为"限定上下文 + 提问" 一起作为 prompt 询问通义千问。
开通灵积模型服务,并获得 API-KEY。请参考:开通 DashScope 并创建 API-KEY。
开通 DashVector 向量检索服务,并获得 API-KEY。请参考:DashVector API-KEY 管理。
开通 DashVector 向量检索服务,并创建 Cluster。
获取 Cluster 的 Endpoint,Endpoint 获取请查看 Cluster 详情。
说明
灵积模型服务 DashScope 的 API-KEY 与 DashVector 的 API-KEY 是独立的,需要分开获取。
说明
需要提前安装 Python3.7 及以上版本,请确保相应的 python 版本。
pip3 install dashvector dashscope
git clone https://github.com/shijiebei2009/CEC-Corpus.git
说明
本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint ,均需要替换为您自己的 API-KAY 及 CLUSTER_ENDPOINT 后,代码才能正常运行。
CEC-Corpus数据集包含 332 篇突发事件的新闻报道的语料和标注数据,这里我们只需要提取原始的新闻稿文本,并将其向量化后入库。文本向量化的教程可以参考《基于向量检索服务与灵积实现语义搜索》。创建embedding.py
文件,并将如下示例代码复制到embedding.py
中:
import os
import dashscope
from dashscope import TextEmbedding
from dashvector import Client, Doc
def prepare_data(path, batch_size=25):
batch_docs = []
for file in os.listdir(path):
with open(path + '/' + file, 'r', encoding='utf-8') as f:
batch_docs.append(f.read())
if len(batch_docs) == batch_size:
yield batch_docs
batch_docs = []
if batch_docs:
yield batch_docs
def generate_embeddings(news):
rsp = TextEmbedding.call(
model=TextEmbedding.Models.text_embedding_v1,
input=news
)
embeddings = [record['embedding'] for record in rsp.output['embeddings']]
return embeddings if isinstance(news, list) else embeddings[0]
if __name__ == '__main__':
dashscope.api_key = '{your-dashscope-api-key}'
# 初始化 dashvector client
client = Client(
api_key='{your-dashvector-api-key}',
endpoint='{your-dashvector-cluster-endpoint}'
)
# 创建集合:指定集合名称和向量维度, text_embedding_v1 模型产生的向量统一为 1536 维
rsp = client.create('news_embedings', 1536)
assert rsp
# 加载语料
id = 0
collection = client.get('news_embedings')
for news in list(prepare_data('CEC-Corpus/raw corpus/allSourceText')):
ids = [id + i for i, _ in enumerate(news)]
id += len(news)
vectors = generate_embeddings(news)
# 写入 dashvector 构建索引
rsp = collection.upsert(
[
Doc(id=str(id), vector=vector, fields={"raw": doc})
for id, vector, doc in zip(ids, vectors, news)
]
)
assert rsp
在示例中,我们将 Embedding 向量和新闻报道的文稿(作为 raw 字段)一起存入 DashVector 向量检索服务中,以便向量检索时召回原始文稿。
将 CEC-Corpus 数据集所有新闻报道写入 DashVector 服务后,就可以进行快速的向量检索。实现这个检索,我们同样将提问的问题进行文本向量化后,再在 DashVector 服务中检索最相关的知识点,也就是相关新闻报道。创建search.py
文件,并将如下示例代码复制到search.py
文件中。
from dashvector import Client
from embedding import generate_embeddings
def search_relevant_news(question):
# 初始化 dashvector client
client = Client(
api_key='{your-dashvector-api-key}',
endpoint='{your-dashvector-cluster-endpoint}'
)
# 获取刚刚存入的集合
collection = client.get('news_embedings')
assert collection
# 向量检索:指定 topk = 1
rsp = collection.query(generate_embeddings(question), output_fields=['raw'],
topk=1)
assert rsp
return rsp.output[0].fields['raw']
在通过提问搜索到相关的知识点后,我们就可以将 "提问 + 知识点" 按照特定的模板作为 prompt 向 LLM 发起提问了。在这里我们选用的 LLM 是通义千问,这是阿里巴巴自主研发的超大规模语言模型,能够在用户自然语言输入的基础上,通过自然语言理解和语义分析,理解用户意图。可以通过提供尽可能清晰详细的指令(prompt),来获取更符合预期的结果。这些能力都可以通过通义千问 API来获得。
具体我们这里设计的提问模板格式为: 请基于我提供的内容回答问题。内容是{},我的问题是{} ,当然您也可以自行设计合适的模板。创建answer.py
,并将如下示例代码复制到answer.py
中。
from dashscope import Generation
def answer_question(question, context):
prompt = f'''请基于```内的内容回答问题。"
```
{context}
```
我的问题是:{question}。
'''
rsp = Generation.call(model='qwen-turbo', prompt=prompt)
return rsp.output.text
做好这些准备工作以后,就可以对 LLM 做与具体知识点相关的提问了。比如在 CEC-Corpus 新闻数据集里,有如下一篇报道。因为整个新闻数据集已经在之前的步骤里,转换成向量入库了,我们现在就可以把这个新闻报道作为一个知识点,做出针对性提问:海南安定追尾事故,发生在哪里?原因是什么?人员伤亡情况如何?,并查看相应答案。
创建run.py
文件,并将如下示例代码复制到run.py
文件中。
import dashscope
from search import search_relevant_news
from answer import answer_question
if __name__ == '__main__':
dashscope.api_key = '{your-dashscope-api-key}'
question = '海南安定追尾事故,发生在哪里?原因是什么?人员伤亡情况如何?'
context = search_relevant_news(question)
answer = answer_question(question, context)
print(f'question: {question}\n' f'answer: {answer}')
可以看到,基于 DashVector 作为向量检索的底座,LLM 大模型的知识范畴得到了针对性的扩展,并且能够对于专属的特定知识领域做出正确的回答。
从本文的范例中,可以看到 DashVector 作为一个独立的向量检索服务,提供了开箱即用的强大向量检索服务能力,这些能力和各个 AI 模型结合,能够衍生多样的 AI 应用的可能。这里的范例中,LLM 大模型问答,以及文本向量生成等能力,都是基于灵积模型服务上的通义千问 API 和 Embedding API 来接入的,在实际操作中,相关能力同样可以通过其他三方服务,或者开源模型社区,比如 ModelScope 上的各种开源 LLM 模型来实现。
以下几种情况的帖子可能会被屏蔽:
如果你发现你的帖子被屏蔽,请自我检查反省,并修改帖子内容。
招聘贴被屏蔽原因
警告: 以后招聘贴不符合要求,直接屏蔽,管理员不再回复,如认真阅读,继续新发同样格式的贴,将会被禁用账号!
如果你有时间,请阅读 招聘栏目详细说明
学会如何合理提问,请阅读:https://ruby-china.org/topics/24325
当你修改好以后,可以回帖 @huacnlee、@Rei、@lgn21st 任何一人,我们将会审核,通过以后才可恢复到其他节点。
注!多次发现广告嫌疑的帐号,将会被禁用帐号。