基于大模型构建本地知识库_大模型知识库

图文概述

一、知识库构建

1.文本加载和读取

支持的格式：

• pdf
• txt
• md
• docx

2.文本分割

通常，将大型文本文档拆分为较小的块，以便更好地使用语言模型。文本拆分器负责将文档拆分为较小的文档。理想情况下，您希望将语义相关的文本片段放在一起。“语义相关”的含义可能取决于文本的类型。

• 根据规则

根据中文文章的常见终止符号，利用规则进行文本分割。
如：单字符断句符、中英文省略号、双引号等
1
2

• 根据语义

将文本拆分为语义有意义的小块（通常是句子）。
开始将这些小块组合成一个较大的块，直到达到一定的大小（由某个函数测量）。
达到该大小后，将该块设置为自己的文本段，然后开始创建一个具有一些重叠的新文本块。
1
2
3

目前来说，由于语义的不确定性，用规则会取得更好的效果，文本分句长度为800。

3.文本向量化

语义检索的重要前提是Sentence Embeddings。可惜目前看到的绝大部分材料都是使用OpenAIEmbeddings。OpenAIEmbeddings 调用的mode_name=“text-embedding-ada-002” 排在第6位

英文排行版

MTEB 排行榜 - MTEB 的拥抱面孔空间 (huggingface.co)

中文SOTA

这是一个CoSENT（余弦句子）模型：shibing624/text2vec-base-Chinese。

它将句子映射到 768 维密集向量空间，可用于任务 如句子嵌入、文本匹配或语义搜索

分别拿 text2vec-base-chinese 、instructor-large 和 OpenAIEmbedding Run这10个中文case，instructor-large 表现最差，text2vec-base-chinese 表现最好：

对于中文模型在政府语料问题的匹配，在这里测试了ernie-base模型和text2vec-large-chinese模型。每个问题分别在top5中命中了源文档几次。

二、向量搜索

1.向量存储

Faiss是Facebook开源的一个向量检索库,用于大规模向量集合的索引和搜索。主要功能包括:

1. 支持多种索引结构: IVF, IVFFlat, HNSW, etc。这些索引结构可以实现高精度和高召回的向量搜索。
2. 支持多种度量方式:内积,欧氏距离,cosine 相似度等。可选择合适的度量方式对向量集合建立索引。
3. 快速的索引构建与搜索:Faiss使用GPU加速,可以实现亿量级向量的索引构建和搜索。
4. 降维与聚类:Faiss提供PCA,IVFFlat等算法进行向量降维,并支持Kmeans算法进行向量聚类。
5. 高级特性:Faiss支持在线学习,异构向量检索,索引压缩等高级特性。

Faiss的典型应用有:

1. 图像检索:在大规模图片数据库中找到与输入图片最相似的图片。

2. 文本匹配:快速找到与输入文本最相近的文本内容。

3. 推荐系统:根据用户兴趣对大量商品进行快速检索和推荐。

4. 声纹识别:在海量语音数据中实现语音识别和检索。

2.用户问题向量化

Embedding 模型进行向量化（text2vec-large-chinese）

3.知识库中搜索和问题最相似的topK个向量

# chunk_conent   是否启用上下文关联
# score_threshold    搜索匹配score阈值
# vector_search_top_k   搜索知识库内容条数，默认搜索5条结果
# chunk_sizes    匹配单段内容的连接上下文长度
1
2
3
4

• 向量搜索索引中查找与embedding最相似的k个结果,得分scores和索引indices。

• 如果得分scores高于阈值score_threshold,跳过该结果。

• 指定了chunk_conent,则在结果索引的附近扩展查找,将相近的文档片段拼接到doc,但拼接后长度不超过chunk_size。只有相同的文档才会被拼接。

三、大模型理解

将问题和topK个向量作为上下文输入给大模型，让大模型根据已有的提示信息进行总结归纳回答。

基于上下文的prompt模版:根据上述已知信息，简洁和专业的来回答用户的问题。如果无法从中得到答案，请说 “根据已知信息无法回答该问题” 或 “没有提供足够的相关信息”，不允许在答案中添加编造成分，答案请使用中文。 问题是：{question}
1

示例：

四、问题

1. 目前该项目不够稳定，会出现奔溃的问题。

2. 多轮对话后，显存溢出造成奔溃。

3. 是否在prompt模版中加入判断，若所问问题非政务类型，转由大模型回答。

4. 大模型可能无法准确地理解政务领域的专业知识和术语，在小部分回答上会存在偏差。

5. 向量搜索时，可能会匹配到低质量文本，导致回答错误。（低质量：匹配到的文本具有一定相关性，但是和用户的问题意图有所偏差）