LangChain结合LLM做私有化文档搜索_私有化部署大模型如何实现文档识别

我们知道LLM（大语言模型）的底模是基于已经过期的公开数据训练出来的，对于新的知识或者私有化的数据LLM一般无法作答，此时LLM会出现“幻觉”。针对“幻觉”问题，一般的解决方案是采用RAG做检索增强。

但是我们不可能把所有数据都丢给LLM去学习，比如某个公司积累的某个行业的大量内部知识。此时就需要一个私有化的文档搜索工具了。

本文聊聊如何使用LangChain结合LLM快速做一个私有化的文档搜索工具。之前介绍过，LangChain几乎是LLM应用开发的第一选择，它的野心也比较大，它致力于将自己打造成LLM应用开发的最大社区。自然，它有这方面的成熟解决方案。

1. RAG检索流程

使用 LangChain 实现私有化文档搜索的主要流程，如下图所示：

文档加载 → 文档分割 → 文档嵌入 → 向量化存储 → 文档检索 → 生成回答
1

2. 代码实践细节

2.1. 文档加载

首先，我们需要加载文档数据。文档可以是各种格式，比如文本文件、PDF、Word 等。使用 LangChain，可以轻松地加载这些文档。下面以PDF为例：

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("./GV2.pdf")
docs = loader.load()
1
2
3
4

2.2. 文档分割

加载的文档通常会比较大，为了更高效地处理和检索，我们需要将文档分割成更小的段落或句子。LangChain 提供了便捷的文本分割工具，可以按句子、块长度等方式分割文档。

from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=50,
    chunk_overlap=20,
    separators=["\n", "。", "！", "？", "，", "、", ""],
    add_start_index=True,
)
texts = text_splitter.split_documents(docs)
1
2
3
4
5
6
7
8
9

分割后的文档内容可以进一步用于生成向量。

2.3. 文档嵌入 Embeddings

文档分割后，我们需要将每一段文本转换成向量，这个过程称为文档嵌入。文档嵌入是将文本转换成高维向量，这是相似性搜索的关键。这里我们选择OpenAI的嵌入模型来生成文档的嵌入向量。

from langchain_openai import OpenAIEmbeddings

embeddings_model = OpenAIEmbeddings(
    openai_api_key="sk-xxxxxxxxxxx",
    openai_api_base="https://api.302.ai/v1",
)

txts = [txt.page_content for txt in texts]

embeddings = embeddings_model.embed_documents(txts)
1
2
3
4
5
6
7
8
9
10

2.4. 文档向量化存储

接下来，我们需要将生成的向量化的文档，存入向量数据库中。向量数据库主要用来做相似性搜索，可以高效地存储和检索高维向量。LangChain 支持与多种向量数据库的集成，比如 Pinecone、FAISS、Chroma 等。

本文以FAISS为例，首先需要安装FAISS，直接使用pip install faiss-cpu安装。

from langchain_community.vectorstores import FAISS

db = FAISS.from_documents(texts, embeddings_model)
FAISS.save_local(db, "faiss_db2")
1
2
3
4

2.5. 文档检索

当用户提出问题时，我们需要在向量数据库中检索最相关的文档。检索过程是计算用户问题的向量表示，然后在向量数据库中查找与之最相似的文档。最后将找到的文档内容，拼接成一个大的上下文。

向量数据库的检索支持多种模式，本文先用最简单的，后续再出文章继续介绍别的模式。

from langchain.retrievers.multi_query import MultiQueryRetriever

retriever = db.as_retriever()
# retriever = db.as_retriever(search_type="similarity_score_threshold",search_kwargs={"score_threshold":.1,"k":5})
# retriever = db.as_retriever(search_type="mmr")
# retriever = MultiQueryRetriever.from_llm(
#             retriever = db.as_retriever(),
#             llm = model,
#         )

context = retriever.get_relevant_documents(query="张学立是谁？")

_content = ""
for i in context:
    _content += i.page_content
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

2.6. 将检索内容丢给LLM作答

最后，我们需要将检索到的文档内容丢入到 prompt 中，让LLM生成回答。LangChain 可以PromptTemplate模板的方式，将检索到的上下文动态嵌入到 prompt 中，然后丢给LLM，这样可以生成准确的回答。

from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

question = "张学立是谁？"
template = [
    (
        "system",
        "你是一个处理文档的助手,你会根据下面提供<context>标签里的上下文内容来继续回答问题.\n 上下文内容\n <context>\n{context} \n</context>\n",
    ),
    ("human", "你好！"),
    ("ai", "你好"),
    ("human", "{question}"),
]
prompt = ChatPromptTemplate.from_messages(template)

messages = prompt.format_messages(context=_content, question=question)
response = model.invoke(messages)

output_parser = StrOutputParser()
output_parser.invoke(response)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

2.7. 完整代码

最后，将以上所有代码串起来，整合到一起，如下：

from langchain_openai import ChatOpenAI
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(
    model_name="gpt-3.5-turbo",
    openai_api_key="sk-xxxxxxx",
    openai_api_base="https://api.302.ai/v1",
)

loader = PyPDFLoader("./GV2.pdf")
docs = loader.load()

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=50,
    chunk_overlap=20,
    separators=["\n", "。", "！", "？", "，", "、", ""],
    add_start_index=True,
)
texts = text_splitter.split_documents(docs)

embeddings_model = OpenAIEmbeddings(
    openai_api_key="sk-xxxxxxx",
    openai_api_base="https://api.302.ai/v1",
)
txts = [txt.page_content for txt in texts]
embeddings = embeddings_model.embed_documents(txts)

db = FAISS.from_documents(texts, embeddings_model)
FAISS.save_local(db, "faiss_db2")


retriever = db.as_retriever()

template = [
    (
        "system",
        "你是一个处理文档的助手,你会根据下面提供<context>标签里的上下文内容来继续回答问题.\n 上下文内容\n <context>\n{context} \n</context>\n",
    ),
    ("human", "你好！"),
    ("ai", "你好"),
    ("human", "{question}"),
]
prompt = ChatPromptTemplate.from_messages(template)


question = "张学立是谁？"
context = retriever.get_relevant_documents(query=question)
_content = ""
for i in context:
    _content += i.page_content

messages = prompt.format_messages(context=_content, question=question)
response = model.invoke(messages)

output_parser = StrOutputParser()
output_parser.invoke(response)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

2.8. 总结、推荐

通过 LangChain可以轻松实现私有化文档搜索，充分利用LLM的能力来处理和检索文档信息。按照文中的步骤，你也可以轻松实现。

好的问答系统离不开优秀的LLM，根据我的个人经验，OpenAI的大模型能力排名是Top1的。但是使用OpenAI不方便，不但需要梯子而且还不稳定。

一款好的LLM摆在面前，却用不了，着实头疼。有没有方便稳定的方式呢？当然有啦，下面我来推荐一款AI自助平台，不但有问答机器人、文生图机器人、文生视频机器人，还有常见的LLM API，稳定又还便宜。

3. 推荐一款好用的AI平台 - 302.AI

3.1. 什么是302.AI

302.AI是一个汇集全球顶级AI的自助平台，汇集全球各类顶尖AI大模型，提供多种AI机器人，各种AI工具的使用和AI API接入。

这个平台太适合开发者了，一站式配齐了 支持各种模型的工具 和 AI API，再也不用这个网站用一下，那个网站用一下了。

自由配置机器人、自由配置各种模型，每一款都很能打。

3.2. 302.AI的优势

我为什么愿意使用302.AI呢？主要还是优点比较多：

• 功能全面：平台提供了各种机器人，其中包括不限于文字处理，图片处理，声音处理。 这一点就可以轻松应付我们平时的工作了，无需到处找AI工具网站。总之，平台提供的机器人，工具和API多种使用方法，可以满足从小白到开发者多种角色的需求。
• 精选优质大模型：平台帮用户测试市面上众多的AI模型，挑出最好用的模型接入到平台，简化用户的挑选成本。而且再大模型的API调用处，还很贴心的集成了Apifox，在线调试，自动生成多种语言的代码。
• 价格透明价格便宜：价格透明，token计算清晰，我对比过多个代理的价格，302.AI绝对是最便宜的，没有之一。
• 按需付费，零门槛：302.AI另外一个特点是，不像大部分的AI工具网站按月收费或者按年收费，302.AI是按需付费，用多少付多少，价格便宜又透明，计费清晰，更无须担心跑路。这两年我见过的倒闭的AI工具站太多了。
• 管理者和使用者分离：使用者无需关心复杂的AI设置，让懂AI的管理者来配置，配置完毕后分享给使用者，简化使用流程。小白也可简易使用。更无需使用梯子，方便又稳定。
• 稳定性好：从我最近的使用感受来看，整体还是比较稳定的。不像有些API，时不时的给我冒一个配额不足的情况。

下面上几个截图，功能较多，我就不一一解说了，欢迎朋友们自行尝试。

总之，302.AI是一个可以满足从工具到API的聚合AI网站，也是一个可以满足从小白到开发者的需求的AI网站，同时，又兼顾了稳定性和性价比。更多功能，欢迎朋友们自行尝试解锁。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】