使用 Llama3 和 Ollama 改进了 RAG_mxbai-embed-large-v1 dimensions

在本文中，我们将了解如何利用 Llama-3 ，实现具有完全本地基础设施的高级 RAG。本文为使用 的高级 RAG 的第一天实施提供了第一手指南。

---

介绍：

在本文中，我们将创建一个高级 RAG，它将根据作为管道输入给出的研究论文来回答用户查询。用于构建该管道的技术堆栈如下。

1. Ollama 嵌入模型 mxbai-embed-large

2. Ollama 量化Llama-3 8b 模型

3. 本地托管的 Qdrant 向量数据库。

通过这种设置，明显的两件事是所产生的成本绝对为 0，并且信息高度安全和私密。

---

HyDE 是什么？

HyDE（即假设文档嵌入）源自Gau 等人在 2022 年论文中提出的创新工作。标题为“无需相关标签的精确零射击密集检索”。这项研究的主要目标是增强依赖于语义嵌入相似性的零样本密集检索。所提出的解决方案 HyDE 通过两步方法运行。

在初始步骤（称为“步骤 1”）中，语言模型（具体以 GPT-3 为例）通过指令提示引导，根据原始查询生成假设文档。这一过程是针对论文中提出的问题精心定制的，尽管文件具有假设性，但仍确保了相关性。

转到步骤 2，生成的假设文档通过利用 Contriever（其特征为“无监督对比编码器”）转换为嵌入向量。该编码器有助于将假设文档转换为向量表示，然后将其用于后续的相似性搜索和检索任务。

HyDE 的基本功能是通过两个关键组件将文档转换为向量嵌入。第一个方面涉及使用语言模型的生成任务，旨在即使在假设的文档中也能捕获相关性，并承认事实不准确的可能性。随后，由对比编码器管理的文档-文档相似性任务完善了嵌入过程，过滤掉无关的细节并提高了效率。

值得注意的是，HyDE 超越了现有的无监督密集检索器（例如 Contriever）的性能。此外，它在不同任务和语言中表现出与微调检索器相当的性能。这种方法将密集检索压缩为两个连贯的任务，标志着基于语义嵌入的检索方法的显着进步。

---

实现：

   ``from llama_index.core import (`    `SimpleDirectoryReader,`    `VectorStoreIndex,`    `StorageContext,`    `Settings,`    `get_response_synthesizer)``from llama_index.core.query_engine import RetrieverQueryEngine, TransformQueryEngine``from llama_index.core.node_parser import SentenceSplitter``from llama_index.core.schema import TextNode, MetadataMode``from llama_index.vector_stores.qdrant import QdrantVectorStore``from llama_index.embeddings.ollama import OllamaEmbedding``from llama_index.llms.ollama import Ollama``from llama_index.core.retrievers import VectorIndexRetriever``from llama_index.core.indices.query.query_transform import HyDEQueryTransform``import qdrant_client``import logging
1

---

初始 化：

logging.basicConfig(level=logging.INFO)``logger = logging.getLogger(__name__)``   ``# load the local data directory and chunk the data for further processing``docs = SimpleDirectoryReader(input_dir="data", required_exts=[".pdf"]).load_data(show_progress=True)``text_parser = SentenceSplitter(chunk_size=512, chunk_overlap=100)``   ``text_chunks = []``doc_ids = []``nodes = []
1

创建向量存储以推送嵌入。

# Create a local Qdrant vector store``logger.info("initializing the vector store related objects")``client = qdrant_client.QdrantClient(host="localhost", port=6333)``vector_store = QdrantVectorStore(client=client, collection_name="research_papers"）
1

本地嵌入和 LLM 模型

# local vector embeddings model``logger.info("initializing the OllamaEmbedding")``embed_model = OllamaEmbedding(model_name='mxbai-embed-large', base_url='<http://localhost:11434>')``logger.info("initializing the global settings")``Settings.embed_model = embed_model``Settings.llm = Ollama(model="llama3", base_url='<http://localhost:11434>')``Settings.transformations = [text_parser]
1

创建节点、向量存储、HyDE 转换器，最后进行查询

logger.info("enumerating docs")``for doc_idx, doc in enumerate(docs):`    `curr_text_chunks = text_parser.split_text(doc.text)`    `text_chunks.extend(curr_text_chunks)`    `doc_ids.extend([doc_idx] * len(curr_text_chunks))``   ``logger.info("enumerating text_chunks")``for idx, text_chunk in enumerate(text_chunks):`    `node = TextNode(text=text_chunk)`    `src_doc = docs[doc_ids[idx]]`    `node.metadata = src_doc.metadata`    `nodes.append(node)``   ``logger.info("enumerating nodes")``for node in nodes:`    `node_embedding = embed_model.get_text_embedding(`        `node.get_content(metadata_mode=MetadataMode.ALL)`    `)`    `node.embedding = node_embedding``   ``logger.info("initializing the storage context")``storage_context = StorageContext.from_defaults(vector_store=vector_store)``logger.info("indexing the nodes in VectorStoreIndex")``index = VectorStoreIndex(`    `nodes=nodes,`    `storage_context=storage_context,`    `transformations=Settings.transformations,``)``   ``logger.info("initializing the VectorIndexRetriever with top_k as 5")``vector_retriever = VectorIndexRetriever(index=index, similarity_top_k=5)``response_synthesizer = get_response_synthesizer()``logger.info("creating the RetrieverQueryEngine instance")``vector_query_engine = RetrieverQueryEngine(`    `retriever=vector_retriever,`    `response_synthesizer=response_synthesizer,``)``logger.info("creating the HyDEQueryTransform instance")``hyde = HyDEQueryTransform(include_original=True)``hyde_query_engine = TransformQueryEngine(vector_query_engine, hyde)``   ``logger.info("retrieving the response to the query")``response = hyde_query_engine.query(`    `str_or_query_bundle="what are all the data sets used in the experiment and told in the paper")``print(response)``   ``client.close()
1

上面的代码首先配置 INFO 级别消息的日志记录，以便可以在输出中看到每个日志，然后继续从本地目录加载 PDF 数据，将其拆分为文本块。它建立了一个 Qdrant 向量存储来存储研究论文嵌入，并初始化 Ollama 文本嵌入模型以从文本生成嵌入。配置全局设置，处理文本块并将其与文档 ID 关联。文本节点是从块创建的，保留元数据，并使用 Ollama 模型为这些节点生成嵌入。然后，该脚本设置一个存储上下文，用于对 Qdrant 向量存储中的文本嵌入进行索引，并继续对它们进行索引。向量检索器被配置为检索相似的嵌入，并且查询引擎被初始化以处理查询。HyDE 查询转换是为了增强查询处理而设置的。最后，执行查询以检索有关论文实验中提到的数据集的信息，并打印响应。

输出：

---

结论：

总之，通过利用 Meta 的大型语言模型等尖端技术的力量Llama-3，以及 等复杂的方法HyDE，并利用 的功能Ollama，我们准备构建无与伦比的 RAG 管道。通过对top_k、chunk_size、 和等关键超参数进行细致的微调chunk_overlap，我们可以将准确性和有效性提升到新的高度。先进工具和细致优化的融合有望释放我们系统的全部潜力，为突破性进步铺平道路，并确保我们的解决方案站在创新和卓越的前沿，并具有最大的隐私和安全性。

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】