本文实现了基于langchain 的本地知识库的基本功能，可离线访问。主要使用了Langchain，ChromaDb Ollama。

概念介绍

什么是RAG

RAG 是retrieval-augmented-generation的缩写，直译中文的意思是 检索增强生成，可以简单理解能让训练好的大模型 LLM可以结合外部数据，可以补充或者修正大模型返回的答案，提高答案的准确性。

LLM 有哪些痛点

• 数据陈旧，一旦训练完成无法获取新知识。

• 只能获取公开的数据，很多企业内部数据由于数据安全的目的不会暴露在公网上，所以大模型不能获取相关数据

  RAG的出现正好能解决以上问题

开始实现

实现步骤

我们目前要做的是

• 准备文档并进行解析 ，langchain_community.document_loaders 预制了一些各种文档的加载器可以选用
• 把文档向量化并存入数据库
• 文档向量搜索
• 结合提示词和大模型问答

前期准备

Ollama

安装 ollama 官网上有，这里就多说了。这里使用到了两个模型，可以用ollama pull 拉下拉

• LLM 模型 qwen2.5:3b
• embedding 模型 nomic-embed-text

ChromaDb

它支持本地存储以及独立客户端，选择本地存储的化不需要安装客户端 参考 docs.trychroma.com/deployment

Hugging Face

用 huggingface-cli 下载 nomic-embed-text 作为 tokenizer 的模型

开始开发

数据准备和存储

文档读取

python
 代码解读

from langchain_community.document_loaders import TextLoader

loader = TextLoader(file_path=self.file_path, autodetect_encoding=True)
documents = loader.load()

文档拆分 这里使用的是本地模型。实现了两个方法，拆分字符串和拆分文档

python
 代码解读


from typing import Any, Iterable, List
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.documents import Document
from langchain.text_splitter import CharacterTextSplitter
from transformers import AutoTokenizer

huggging_model_path = "model_path"

class HuggingFaceTextSplitter(CharacterTextSplitter):
  
    def __init__(self,
                 separator: str = "\n\n",
                 is_separator_regex: bool = False,
                 **kwargs: Any) -> None:
        super().__init__(separator, is_separator_regex, **kwargs)
        
        self.tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
        self.text_splitter = RecursiveCharacterTextSplitter.from_huggingface_tokenizer(
            self.tokenizer, chunk_size=1000, chunk_overlap=100)

    def split_text(self, text: str) -> List[str]:
        return self.text_splitter.split_text(text) 

    def split_documents(self, documents: Iterable[Document]) -> List[Document]:
        return self.text_splitter.split_documents(documents)
        

huggging_model_path 这是一个本地模型的文件夹地址

文档向量化，存入数据库 这里向量化的过程，没有单独实现，用的是数据库的特性，插入数据时自动实现 我们先写一段简单的数据库service，做数据库的插入

python
 代码解读

from typing import List
import chromadb
from chromadb.api import ClientAPI
from chromadb.api.types import GetResult
from langchain.docstore.document import Document
from lib import ConfigService, get_Embeddings_func
from typing import Dict, List
import uuid

class ChromaService():

    data_path_base: str
    client: ClientAPI
    collection_name: str

    def __init__(self, collection_name: str) -> None:
    
        configService = ConfigService()
        self.data_path_base = configService.env_config.chromadb.get(
            "data_path_base")
        # 持久化存储
        self.client = chromadb.PersistentClient(path=self.data_path_base)
        self.embeddings_func = get_Embeddings_func()
        self.collection_name = collection_name
        self.collection = self.client.get_or_create_collection(
            collection_name, embedding_function=self.embeddings_func)

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids, include=["embeddings"])


    def add_doc(self, docs: List[Document], **kwargs) -> List[Dict]:

        doc_infos = []
        texts = [doc.page_content for doc in docs]
        metadatas = [doc.metadata for doc in docs]
        ids = [str(uuid.uuid1()) for _ in range(len(texts))]
        
        for _id, text, metadata in zip(ids, texts, metadatas):
            self.collection.add(
                ids=_id,
                metadatas=metadata,
                documents=text)
            doc_infos.append({"id": _id, "metadata": metadata})
        return doc_infos

这里数据库配置用了本地存储 PersistentClient，获取集合的时候指定了 embedding_function，这的用处是在数据插入的时候由数据库生成向量化数据，如果这个参数不传的化，就要手动插入向量数据。

python
 代码解读

from chromadb.utils.embedding_functions.ollama_embedding_function import OllamaEmbeddingFunction

def get_Embeddings_func():

    api_url="http://localhost:11434/api/embeddings"
    ollama_ef = OllamaEmbeddingFunction(
        url=api_url,
        model_name="nomic-embed-text",
    )
    return ollama_ef

数据至此已存入数据库

数据查询

在 ChromaService 里增加几个查询方法，首先是最简单的按照Id 查询

python
 代码解读

    def get_result_by_ids(self, ids: List[str]) -> GetResult:
    
        return self.collection.get(ids=ids)

其次是向量查询

python
 代码解读

    async def do_search_db(self, query) -> QueryResult::
    
        embed_query = await self.embeddings.aembed_query(query)
        result = self.collection.query(query_embeddings=embed_query)
        return result

这里的embeddings 来源于这里

python
 代码解读

from langchain_core.embeddings import Embeddings
from langchain_ollama import OllamaEmbeddings

def get_Embeddings() -> Embeddings:

    embeddings = OllamaEmbeddings(
        model="nomic-embed-text")
    return embeddings

和 LLM 结合

增加QaChain

在ChromaService 增加方法并且在 __init__ 里调用。

python
 代码解读
	from langchain_ollama import ChatOllama, OllamaEmbeddings
	from langchain_chroma import Chroma
	from langchain.chains.qa_with_sources.retrieval import RetrievalQAWithSourcesChain
	
    def _init_qa(self):

        vector_em = OllamaEmbeddings(model='nomic-embed-text')
        
        vectordb = Chroma(persist_directory=self.data_path_base,
                          collection_name=self.collection_name,
                          embedding_function=vector_em)

        ollamaLlm = ChatOllama(model="qwen2.5:3b",
                               custom_get_token_ids=get_token_encode)
        
        self.qa_retrieval = RetrievalQAWithSourcesChain.from_llm(
            llm=ollamaLlm,
            retriever=vectordb.as_retriever(search_type="similarity",
                                            search_kwargs={"k": 2}),
            return_source_documents=True)

这里有几点要说下

• llm 用的是 ChatOllama
• custom_get_token_ids 这个要自己实现，不然就会请求网上的gpt2模型做encode，断网就报错了

python
 代码解读

def get_token_encode(text: str) -> list[int]:
	huggging_model_path = "model_path"
    tokenizer = AutoTokenizer.from_pretrained(huggging_model_path)
    result = tokenizer.encode(text)
    return result

• retriever 是 Chroma ， 要注意下，这里的embedding_function 接收的参数是 OllamaEmbeddings 实例， 是从 langchain_ollama 这个包里导入， 和上面初始化collection 里的 embedding_function 不是同一个东西，虽然类型相似。

现在提问就很简单了 query 就是你问题，一个字符串

python
 代码解读

  result = self.qa_retrieval.invoke(query)

result 就是给你的答案

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​