【AI大模型应用开发】3. RAG初探 - 动手实现一个最简单的RAG应用

大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技能。

文章目录

0. 什么是RAG

大模型也不是万能的，也有局限性。

• LLM 的知识不是实时的
• LLM 可能不知道你私有的领域/业务知识

RAG（Retrieval Augmented Generation）顾名思义：通过检索的方法来增强生成模型的能力。你可以把这个过程想象成开卷考试。让 LLM 先翻书，再回答问题。

1. RAG基本流程

看图就很容易理解RAG的流程了：
（1）私有知识通过切分、向量化保存到向量数据库中，供后续使用
（2）用户提问时，将用户提问用同样的方式向量化，然后去向量数据库中检索
（3）检索出相似度最高的k个切分段落
（4）将检索结果和用户的提问放到Prompt模板中，组装成一个完整的Prompt
（5）组装好的Prompt给大模型，让大模型生成回答

理想状态下，大模型是完全依赖检索出的文档片段进行组织答案的

简化一下，可以看出RAG有两大过程：

1. 加载文档，生成向量数据库
2. 查询向量数据库，询问大模型得到答案

下面我们一步步拆解，深入了解下RAG的流程和实现RAG所需的基本模块。

2. 向量数据库的生成

2.1 文档加载与分块

首先加载我们私有的知识库。这里以加载PDF文件为例。Python提供了加载PDF的一些库，这里用 pdfminer。

• 安装 pdfminer：

pip install pdfminer.six

• 先看代码：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer

classPDFFileLoader():def__init__(self,file)->None:
        self.paragraphs = self.extract_text_from_pdf(file, page_numbers=[0,3])
        i =1for para in self.paragraphs[:3]:print(f"========= 第{i}段 ==========")print(para+"\n")
            i +=1defgetParagraphs(self):return self.paragraphs

    ################################# 文档的加载与切割 ############################defextract_text_from_pdf(self, filename, page_numbers=None):'''从 PDF 文件中（按指定页码）提取文字'''
        paragraphs =[]buffer=''
        full_text =''# 提取全部文本for i, page_layout inenumerate(extract_pages(filename)):# 如果指定了页码范围，跳过范围外的页if page_numbers isnotNoneand i notin page_numbers:continuefor element in page_layout:ifisinstance(element, LTTextContainer):
                    full_text += element.get_text()+'\n'# 段落分割
        lines = full_text.split('。\n')for text in lines:buffer= text.replace('\n',' ')ifbuffer:
                paragraphs.append(buffer)buffer=''
                row_count =0ifbuffer:
            paragraphs.append(buffer)return paragraphs

PDFFileLoader("D:\GitHub\LEARN_LLM\RAG\如何向 ChatGPT 提问以获得高质量答案：提示技巧工程完全指南.pdf")

• 代码解释

（1）我们首先定义了一个

PDFFileLoader

的类，接收一个PDF文件路径。然后类内部调用

extract_text_from_pdf

去解析PDF文件并分段。
（2）

extract_text_from_pdf

中前半部分代码是利用

extract_pages

按页提取出PDF文件中的文字，然后组装成

full_text

。
（3）

extract_text_from_pdf

中后半部分代码是将

full_text

进行段落划分。

说明：因为每个PDF提取出来的文字格式可能不同，有的每一行后面都带有"\n\n"，有的不带有"\n\n"，有的每一行中的单词都粘在一起…，各种各样，所以PDF文字划分和段落分割的算法都无法做到完美适应所有PDF。本文重点不再这，所以粗暴地根据"。\n"划分了段落。实际应用中这里你应该按照你的PDF文件去进行调试和分割，段落划分这几行代码不能直接用。

可以简单看下我为什么能如此粗暴的划分段落：通过

extract_pages

提取出来的文本如下：

'如何向 ChatGPT 提问以获得高质量答案：提示\n技巧工程完全指南\n\n介绍\n\n我很高兴欢迎您阅读我的最新书籍《The Art
of Asking ChatGPT for High-Quality Answers: A complete \n\nGuide to
Prompt Engineering
Techniques》。本书是一本全面指南，介绍了各种提示技术，用于从\n\nChatGPT中生成高质量的答案 。\n\n我们将探讨如何使用不同的提示工程技术来实现不同的目标。ChatGPT是一款最先进的语言模型，能够生成\n\n类似人类的文本。然而，理解如何正确地向ChatGPT提问以获得我们所需的高质量输出非常重要。而这正是\n本书的目的 。\n\n无论您是普通人、研究人员、开发人员，还是只是想在自己的领域中将ChatGPT作为个人助手的人，本书都\n是为您编写的。我使用简单易懂的语言，提供实用的解释，并在每个提示技术中提供了示例和提示公式。通\n\n过本书，您将学习如何使用提示工程技术来控制ChatGPT的输出，并生成符合您特定需求的文本 。\n\n在整本书中，我们还提供了如何结合不同的提示技术以实现更具体结果的示例。我希望您能像我写作时一\n\n样，享受阅读本书并从中获得知识 。\n\n
\n\n

与原文对比，大体上按"。\n"来分割能与实际段落比较接近，所以本例我就先这样干了。这实际是不能用于实际项目的：

• 分割结果（打印前三段）：

2.2 创建向量数据库

本文以 chromadb 向量数据库为例进行实操。

• 安装向量数据库chromadb

pip install chromadb

2.2.1 创建过程

（1）创建一个向量数据库类。该类

add_documents

函数用来添加数据，它需要三个参数：

• 文档的向量
• 文档的原文
• 文档的id

import chromadb
from chromadb.config import Settings

classMyVectorDBConnector:def__init__(self, collection_name, embedding_fn):
        chroma_client = chromadb.Client(Settings(allow_reset=True))# 为了演示，实际不需要每次 reset()
        chroma_client.reset()# 创建一个 collection
        self.collection = chroma_client.get_or_create_collection(name=collection_name)
        self.embedding_fn = embedding_fn

    defadd_documents(self, documents):'''向 collection 中添加文档与向量'''
        self.collection.add(
            embeddings=self.embedding_fn(documents),# 每个文档的向量
            documents=documents,# 文档的原文
            ids=[f"id{i}"for i inrange(len(documents))]# 每个文档的 id)defsearch(self, query, top_n):'''检索向量数据库'''
        results = self.collection.query(
            query_embeddings=self.embedding_fn([query]),
            n_results=top_n
        )return results

（2）文档的向量怎么来？可以通过OpenAI的

embeddings

接口计算得到：

from openai import OpenAI
import os
# 加载环境变量from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())# 读取本地 .env 文件，里面定义了 OPENAI_API_KEY

client = OpenAI()defget_embeddings(texts, model="text-embedding-3-small"):'''封装 OpenAI 的 Embedding 模型接口'''print(texts)print(model)
    data = client.embeddings.create(input=texts, model=model).data
    print(data)return[x.embedding for x in data]

（3）调用接口，创建向量数据库

# 创建一个向量数据库对象
vector_db = MyVectorDBConnector("demo", get_embeddings)# 向向量数据库中添加文档
vector_db.add_documents(pdf_loader.getParagraphs())

（4）测试查询

user_query ="什么是角色提示？"
results = vector_db.search(user_query,3)# 3是指查询出最相近的3块文本for para in results['documents'][0]:print(para+"\n\n")

2.2.2 运行结果

（1）通过OpenAI的

embeddings

接口计算得到的文本向量

（2）查询结果，查找出最相近的3块文本

2.2.3 踩坑

2.2.3.1 坑一：NoneType object is not iterable

• 原因：传入的分块有空字符的情况。

不知道这种情况为什么会导致NoneType的错误，可能是OpenAI向量化时对特殊字符进行了去除？

• 解决方法：保证分块中没有全是特殊字符的分块即可。

2.2.3.2 坑二：Number of embeddings 9 must match number of ids 10

• 原因：可以看下下面的代码，上面的错误指的是embeddings是9个值，而ids有10个值。这是因为在解决坑一时，将里面最后那个空的文档分块去掉了，没去生成embeddings。

self.collection.add(
    embeddings=self.embedding_fn(documents),# 每个文档的向量
    documents=documents,# 文档的原文
    ids=[f"id{i}"for i inrange(len(documents))]# 每个文档的 id)

• 解决方法：保证documents和embeddings的数组大小长度一致。

以上两个坑总体的解决方案代码，看下里面修改的部分（注释部分），在段落分割部分就把异常的分块去掉，从源头上保证documents的正常以及后面documents和embeddings数组大小一致：

# 段落分割
lines = full_text.split('。\n')for text in lines:buffer= text.strip(' ').replace('\n',' ').replace('[','').replace(']','')## 1. 去掉特殊字符iflen(buffer)<10:## 2. 过滤掉长度小于 10 的段落，这可能会导致一些信息丢失，慎重使用，实际生产中不能用continueifbuffer:
        paragraphs.append(buffer)buffer=''
        row_count =0ifbufferandlen(buffer)>10:## 3. 过滤掉长度小于 10 的段落，这可能会导致一些信息丢失，慎重使用，实际生产中不能用
    paragraphs.append(buffer)return paragraphs

注意：文档分块不一定是按段落分。

3. Prompt模板

上面我们已经拿到了检索回来的相关文档。下面我们写一个Prompt模板用来组装这些文档以及用户的提问。

defbuild_prompt(prompt_template,**kwargs):'''将 Prompt 模板赋值'''
    prompt = prompt_template
    for k, v in kwargs.items():ifisinstance(v,str):
            val = v
        elifisinstance(v,list)andall(isinstance(elem,str)for elem in v):
            val ='\n'.join(v)else:
            val =str(v)
        prompt = prompt.replace(f"__{k.upper()}__",val)return prompt

prompt_template ="""
你是一个问答机器人。
你的任务是根据下述给定的已知信息回答用户问题。
确保你的回复完全依据下述已知信息。不要编造答案。
如果下述已知信息不足以回答用户的问题，请直接回复"我无法回答您的问题"。

已知信息:
__INFO__

用户问：
__QUERY__

请用中文回答用户问题。
"""

注意以上最重要的提示词，要求大模型完全按照给定的文本回答问题：

你的任务是根据下述给定的已知信息回答用户问题。
确保你的回复完全依据下述已知信息。不要编造答案。
如果下述已知信息不足以回答用户的问题，请直接回复"我无法回答您的问题"。

4. 使用大模型得到答案

4.1 封装OpenAI接口

defget_completion(prompt, model="gpt-3.5-turbo-1106"):'''封装 openai 接口'''
    messages =[{"role":"user","content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,# 模型输出的随机性，0 表示随机性最小)return response.choices[0].message.content

4.2 组装Prompt

prompt = build_prompt(prompt_template, info=results['documents'][0], query=user_query)print(prompt)

• 运行结果

4.3 使用大模型得到答案

response = get_completion(prompt)print(response)

• 运行结果

5. 总结

至此，我们已经实现了RAG的基本流程。总结下流程：

• 离线部分，可提前生成好 （1）文档加载与分块 （2）分块数据灌入向量数据库
• 在线部分 （3）解析用户提问，用户提问向量化 （4）查询向量数据库，得到最相似的k个文本块 （5）使用得到的k个文本块和用户提问组装Prompt模板 （6）询问大模型得到最终答案

5.1 封装RAG

我们将RAG流程封装一下，

createVectorDB

完成离线部分，创建出向量数据库和灌入数据。

chat

完成在线部分。

classRAG_Bot:def__init__(self, n_results=2):
        self.llm_api = get_completion
        self.n_results = n_results

    defcreateVectorDB(self,file):print(file)
        pdf_loader = PDFFileLoader(file)# 创建一个向量数据库对象
        self.vector_db = MyVectorDBConnector("demo", get_embeddings)# 向向量数据库中添加文档，灌入数据
        self.vector_db.add_documents(pdf_loader.getParagraphs())defchat(self, user_query):# 1. 检索
        search_results = self.vector_db.search(user_query,self.n_results)# 2. 构建 Prompt
        prompt = build_prompt(prompt_template, info=search_results['documents'][0], query=user_query)# 3. 调用 LLM
        response = self.llm_api(prompt)return response

• 使用

rag_bot = RAG_Bot()
rag_bot.createVectorDB("D:\GitHub\LEARN_LLM\RAG\如何向 ChatGPT 提问以获得高质量答案：提示技巧工程完全指南.pdf")
response = rag_bot.chat("什么是角色提示？")print("response=====================>")print(response)

5.2 完整代码

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer

classPDFFileLoader():def__init__(self,file)->None:
        self.paragraphs = self.extract_text_from_pdf(file, page_numbers=[0,3])
        i =1for para in self.paragraphs:print(f"========= 第{i}段 ==========")print(para+"\n")
            i +=1defgetParagraphs(self):return self.paragraphs

    ################################# 文档的加载与切割 ############################defextract_text_from_pdf(self, filename, page_numbers=None):'''从 PDF 文件中（按指定页码）提取文字'''
        paragraphs =[]buffer=''
        full_text =''# 提取全部文本for i, page_layout inenumerate(extract_pages(filename)):# 如果指定了页码范围，跳过范围外的页if page_numbers isnotNoneand i notin page_numbers:continuefor element in page_layout:ifisinstance(element, LTTextContainer):
                    full_text += element.get_text()+'\n'# 段落分割
        lines = full_text.split('。\n')for text in lines:buffer= text.strip(' ').replace('\n',' ').replace('[','').replace(']','')## 1. 去掉特殊字符iflen(buffer)<10:## 2. 过滤掉长度小于 10 的段落，这可能会导致一些信息丢失，慎重使用，实际生产中不能用continueifbuffer:
                paragraphs.append(buffer)buffer=''
                row_count =0ifbufferandlen(buffer)>10:## 3. 过滤掉长度小于 10 的段落，这可能会导致一些信息丢失，慎重使用，实际生产中不能用
            paragraphs.append(buffer)return paragraphs

# pdf_loader = PDFFileLoader("D:\GitHub\LEARN_LLM\RAG\如何向 ChatGPT 提问以获得高质量答案：提示技巧工程完全指南.pdf")from openai import OpenAI
import os
# 加载环境变量from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())# 读取本地 .env 文件，里面定义了 OPENAI_API_KEY

client = OpenAI()defget_embeddings(texts, model="text-embedding-3-small"):'''封装 OpenAI 的 Embedding 模型接口'''
    data = client.embeddings.create(input=texts, model=model).data
    return[x.embedding for x in data]import chromadb
from chromadb.config import Settings

classMyVectorDBConnector:def__init__(self, collection_name, embedding_fn):
        chroma_client = chromadb.Client(Settings(allow_reset=True))# 为了演示，实际不需要每次 reset()
        chroma_client.reset()# 创建一个 collection
        self.collection = chroma_client.get_or_create_collection(name=collection_name)
        self.embedding_fn = embedding_fn

    defadd_documents(self, documents):'''向 collection 中添加文档与向量'''
        self.collection.add(
            embeddings=self.embedding_fn(documents),# 每个文档的向量
            documents=documents,# 文档的原文
            ids=[f"id{i}"for i inrange(len(documents))]# 每个文档的 id)defsearch(self, query, top_n):'''检索向量数据库'''
        results = self.collection.query(
            query_embeddings=self.embedding_fn([query]),
            n_results=top_n
        )return results

# # 创建一个向量数据库对象# vector_db = MyVectorDBConnector("demo", get_embeddings)# # 向向量数据库中添加文档# vector_db.add_documents(pdf_loader.getParagraphs())# user_query = "什么是角色提示？"# results = vector_db.search(user_query, 3)# for para in results['documents'][0]:#     print(para+"\n\n")defbuild_prompt(prompt_template,**kwargs):'''将 Prompt 模板赋值'''
    prompt = prompt_template
    for k, v in kwargs.items():ifisinstance(v,str):
            val = v
        elifisinstance(v,list)andall(isinstance(elem,str)for elem in v):
            val ='\n'.join(v)else:
            val =str(v)
        prompt = prompt.replace(f"__{k.upper()}__",val)return prompt

prompt_template ="""
你是一个问答机器人。
你的任务是根据下述给定的已知信息回答用户问题。
确保你的回复完全依据下述已知信息。不要编造答案。
如果下述已知信息不足以回答用户的问题，请直接回复"我无法回答您的问题"。

已知信息:
__INFO__

用户问：
__QUERY__

请用中文回答用户问题。
"""########################### 大模型接口封装 #############################defget_completion(prompt, model="gpt-3.5-turbo-1106"):'''封装 openai 接口'''
    messages =[{"role":"user","content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,# 模型输出的随机性，0 表示随机性最小)return response.choices[0].message.content

# prompt = build_prompt(prompt_template, info=results['documents'][0], query=user_query)# print(prompt)# response = get_completion(prompt)# print(response)##################################  基于向量检索的 RAG ##################classRAG_Bot:def__init__(self, n_results=2):
        self.llm_api = get_completion
        self.n_results = n_results

    defcreateVectorDB(self,file):print(file)
        pdf_loader = PDFFileLoader(file)# 创建一个向量数据库对象
        self.vector_db = MyVectorDBConnector("demo", get_embeddings)# 向向量数据库中添加文档，灌入数据
        self.vector_db.add_documents(pdf_loader.getParagraphs())defchat(self, user_query):# 1. 检索
        search_results = self.vector_db.search(user_query,self.n_results)# 2. 构建 Prompt
        prompt = build_prompt(prompt_template, info=search_results['documents'][0], query=user_query)print("prompt===================>")print(prompt)# 3. 调用 LLM
        response = self.llm_api(prompt)return response

rag_bot = RAG_Bot()
rag_bot.createVectorDB("D:\GitHub\LEARN_LLM\RAG\如何向 ChatGPT 提问以获得高质量答案：提示技巧工程完全指南.pdf")
response = rag_bot.chat("什么是角色提示？")print("response=====================>")print(response)

6. 思考

RAG 是一个增强大模型垂直领域能力和减少幻觉的通用方法论，所以了解其原理和流程对实现出效果较好的大模型应用非常有用。

但是上面也可以看到，它也限制了大模型使用其自身的知识库去回答问题，只能够用给定的文本回复问题。这就导致这个RAG应用的通用性大大降低。

另外，从RAG流程中也可以看到要想实现的效果好，也是困难重重：
（1）预处理： 首先文本分割的块要恰到好处

• 文本分割的粒度太小，查找到的参考文本较少
• 文本颗粒度太大，参考文本太多，消耗token，同时也会带入更多的干扰信息，导致大模型出现幻觉的概率增加

（2）有些问题的回答是需要依赖上下文的，怎样将上下文所在的文本块都找出来也不容易

（3）召回正确性：召回文档的相关性也对结果比较重要。查找出的文档虽然与用户提问的向量值比较相似，但某些时候，最相似的并不一定是与问题答案相关的

（4）大模型本身的能力对结果也比较重要

目前针对以上各个困难都有非常多的研究，还在快速发展阶段，未形成一套通用、效果好的方法论。

后面可以针对这部分进行深入探索和学习，关注和整理当下最新的RAG调优方法。敬请期待。

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~

• 大家好，我是同学小张
• 欢迎 点赞 + 关注 👏，促使我持续学习，持续干货输出。
• +v: jasper_8017 一起交流💬，一起进步💪。
• 微信公众号也可搜【同学小张】 🙏
• 踩坑不易，感谢关注和围观

本站文章一览：