“ 本文介绍一个使用Langchain 结合向量数据库和大模型构建PDF聊天机器人的思路,这个简单的聊天机器人原型证明了从非结构化文档中提取信息,以进行问答的可行性。在此基础上,我们可以继续优化算法,扩大文档来源,提升问答的准确性与友好性。”
01
—
在用过ChatGPT聊天功能后,我们会很自然想到一个场景:能不能用它来帮助合并我自己的文档资料,并且提供文档的问答摘要。
这样不仅可以避免大模型在一些未训练的知识上胡说八道(见:如何避免ChatGPT,ChatGLM这类大语言模型胡说八道),还可以有效的利用我们自己的数据、文档。
最初的想法是使用特定文档数据对模型进行微调以实现此目标,但它可能成本高而且需要大量数据集。
对微调感兴趣的朋友可以参考这篇文章:OpenAI放开ChatGPT微调接口!国内厂商压力山大!|附详细微调操作指南
此外,微调模型只能教它一项新技能,而不能提供有关文档的完整信息。
如果不采用微调,能想到的另一种方法是使用提示词(Prompt)在提示中提供文档 QA 的上下文。然而,ChatGPT 模型的token 长度有限,并且将大段的上下文传递给 API 也会造成使用成本增高,尤其是在处理大量文档时。
今天我们来尝试用Langchain这个开源工具来构建一个基于PDF文档的内容来聊天的ChatGPT机器人。
02
—
构建步骤:
上图为项目的架构图:源文件经过Langchain 的工程化处理后,存放到向量数据库中。同时,用户询问的问题也经过embedding向量化后,再和向量库中的数据对比,哪个些数据最近,就返回给大模型,组成回答的内容,同时这次问答将存入聊天历史,供后续聊天继续使用。
03
—
开发要求 Python 版本不低于 3.7 才能运行。接下来的步骤是建立一个虚拟环境并安装以下的 Python 库
# # 创建虚拟环境
$ python3 -m venv llm_app_env
# # 在 MacOS 或 Linux 上
$ source llm_app_env/bin/activate
# # 在 Window 上
$ llm_app_env\Scripts\activate.bat
# # 然后安装以下库。
openai[embeddings]==0.27.6
langchain==0.0.155
pypdf==3.8.1
tiktoken==0.3.3
faiss-cpu==1.7.4
unstructured==0.6.2
chromadb==0.3.21
llama-index ==0.6.1
jupyterlab
LangChain是一个功能强大的开源工具,可以便捷地与大型语言模型交互,并构建应用程序。您可以将其看作是一个中间层,将您的应用程序连接到各种LLM大型语言模型提供商,如OpenAI、Cohere、Huggingface、Azure OpenAI等。
同时,为了实现工程落地目的。LangChain不仅仅提供了用于访问预训练语言模型的工具。它还提供了许多有用的特性和功能,允许您构建定制的应用程序和工具。例如:
文章《解锁人工智能项目开发的关键:Python 基础库详解与进阶学习》中更详细的介绍了Langchain以及相关学习地址。
启动的 Jupyter Notebook 并开始编码。推荐使用谷歌的在线 Jupyter Notebook 平台。
https://colab.research.google.com/
设置 OpenAI API 密钥
import logging
import sys
import os
os.environ["OPENAI_API_KEY"] = "<YOUR_OPENAI_API_KEY>"
查看自己的OpenAI API Keys:
https://platform.openai.com/account/api-keys
加载并切分数据
## load the PDF using pypdf
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
# load the data
loader = PyPDFLoader('../notebooks/documents/Apple-Financial-Report-Q1-2022.pdf')
# the 10k financial report are huge, we will need to split the doc into multiple chunk.
# This text splitter is the recommended one for generic text. It is parameterized by a list of characters.
# It tries to split on them in order until the chunks are small enough.
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
data = loader.load()
texts = text_splitter.split_documents(data)
# view the first chunk
texts[0]
导入Chroma
Chroma 是嵌入式数据库,不像传统的 SQL 数据库或NoSQL 数据库。它是嵌入数据库,很适合构建 LLM 应用程序。
官方地址:
https://www.chroma.com/
资料内容以纯文本形式呈现,这导致了根据问题在其中查找相关信息变得困难。
以寻找苹果公司上一季度收入并将其与往年进行比较为例,若文档有1000页,那将是多么具有挑战性和耗时的任务呢?
因此,为了让搜索变得更加便捷,我们首先需要将单词或短语用数字格式表示,以供机器学习模型使用。
换言之,我们需要帮助机器理解文本。嵌入是将每个单词或短语映射到实数向量(通常有数百个维度)的方式,这使得相似的词汇在嵌入空间中也能映射到相似的向量。
使用嵌入的主要优势之一在于它们能够捕捉到单词或短语之间的语义和句法关系。例如,在嵌入空间中,"国王"和"女王"的向量会比"苹果"的向量更加接近,因为它们在语义上与皇家头衔相关。
因此,嵌入式数据库就是为此而生。它将所有嵌入数据储存在数据库中,并为我们提供索引,以便进行数据检索等操作,并且这一过程是可以扩展的。
如果我们需要找出上一季度苹果公司的收入,首先我们会在嵌入数据库,比如Chroma,上执行类似的相似性搜索或语义搜索,以提取相关信息并将该信息输入到LLM模型中,从而获得答案。
上面的步骤虽然说起来很复杂,但是Langchain已经封装好了相应的函数,让我们开始动手。
# import Chroma and OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.embeddings.openai import OpenAIEmbeddings
# initialize OpenAIEmbedding
embeddings = OpenAIEmbeddings(model='text-embedding-ada-002')
# use Chroma to create in-memory embedding database from the doc
docsearch = Chroma.from_documents(texts, embeddings, metadatas=[{"source": str(i)} for i in range(len(texts))])
## perform search based on the question
query = "What is the operating income?"
docs = docsearch.similarity_search(query)
接着,我们进行相似性搜索,从嵌入式数据库中获取与之相关的信息。
使用Langchain的主要组件之一Chain将LLM大模型引入到我们的代码中。
Langchain中预建问答chain有四种类型:
它们非常相似,在底层,RetrievalQA 和 RetrievalQAWithSourcesChain分别使用load_qa_chain 和 load_qa_with_sources_chain,唯一的区别是前两个将所有嵌入馈送到 LLM,而后两个仅向 LLM 馈送相关信息。
我们可以使用前两个先提取相关信息并将该信息仅提供给 LLM。此外,前两个比后两个给我们带来了更多的灵活性。
导入必要的依赖库
## importing necessary framework
from langchain.chains.question_answering import load_qa_chain
from langchain.chains.qa_with_sources import load_qa_with_sources_chain
from langchain.chains import RetrievalQA
from langchain.chains import RetrievalQAWithSourcesChain
from langchain.chat_models import ChatOpenAI
尝试使用 4 种不同的问答chain。
1. load_qa_chain
## use LLM to get answering
chain = load_qa_chain(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'),
chain_type="stuff")
query = "What is the operating income?"
chain.run(input_documents=docs, question=query)
2. load_qa_with_sources_chain
chain = load_qa_with_sources_chain(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'),
chain_type="stuff")
query = "What is the operating income?"
chain({"input_documents": docs, "question": query}, return_only_outputs=True)
3. RetrievalQA
qa=RetrievalQA.from_chain_type(llm=ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'), chain_type="stuff",
retriever=docsearch.as_retriever())
query = "What is the operating income?"
qa.run(query)
4. RetrievalQAWithSourcesChain
chain=RetrievalQAWithSourcesChain.from_chain_type(ChatOpenAI(temperature=0.2,model_name='gpt-3.5-turbo'), chain_type="stuff",
retriever=docsearch.as_retriever())
chain({"question": "What is the operating income?"}, return_only_outputs=True)
一个基于PDF文档的问答聊天机器人原型已经完成开发。
该聊天机器人可以读取PDF文档内容,并据此进行问答交互。用户可以向它提出与文档相关的问题,它可以给出相应的答案。
这个简单的聊天机器人原型证明了从非结构化文档中提取信息,以进行问答的可行性。在此基础上,我们可以继续优化算法,扩大文档来源,提升问答的准确性与友好性。
参考资料:
https://medium.com/how-ai-built-this/zero-to-one-a-guide-to-building-a-first-pdf-chatbot-with-langchain-llamaindex-part-1-7d0e9c0d62f
阅读推荐:
中文大模型 Chinese-LLaMA-Alpaca-2 开源且可以商用
又一家顶级的大模型开源商用了!Meta(Facebook)的 Llama 2 搅动大模型混战的格局