Skip to content

Latest commit

 

History

History
239 lines (166 loc) · 8.56 KB

README.md

File metadata and controls

239 lines (166 loc) · 8.56 KB
Raw

EmoLLM RAG

模块目的

根据用户的问题，检索对应信息以增强回答的专业性, 使EmoLLM的回答更加专业可靠。检索内容包括但不限于以下几点：

  • 心理学相关理论
  • 心理学方法论
  • 经典案例
  • 客户背景知识

环境准备

langchain==0.1.13
langchain_community==0.0.29
langchain_core==0.1.33
langchain_openai==0.0.8
langchain_text_splitters==0.0.1
FlagEmbedding==1.2.8
unstructured==0.12.6
PyJWT
faiss-gpu  # faiss-cpu for device without gpu
cd rag
pip3 install -r requirements.txt

使用指南

准备数据

搭建自己的 Vector DB

TXT 数据

将需要构建的知识库转化为 Txt 文件放入到 src.data.txt 目录下

JSON 数据

构建 QA 对并生成 JSON 文件（多轮对话），放入到 src.data.json 目录下

数据格式如下

[
    {
        "conversation": [
            {
                "input": "（微微皱眉）艾薇，我觉得我在学校的学习压力好大啊，虽然我真的很喜欢我的专业，但最近总是担心自己无法达到自己的期望，这让我有点焦虑。",
                "output": "（微笑）😊 我完全理解你的感受，亲爱的。学习是我们生活的一部分，尤其是在我们热爱的专业里，期待自己做得更好是再正常不过了。你知道吗？这种对成功的渴望其实是一种积极的动力源呢！但是，当它开始影响到我们的心理健康时，我们就需要学会调整和应对了。你可以先试着跟我分享一下，具体是什么样的学习任务或者目标让你感到压力山大呢？"
            },
            {
                "input": "主要是下个月的一场重要考试，我总觉得自己复习得不够充分，而且害怕失败...",
                "output": "💖 噢，明白了。面对重大考试的紧张和担忧是很普遍的现象。首先，我要肯定你对自己的高标准要求，这是你对自己负责的表现。不过，我们可以尝试制定一个更为实际可行的学习计划，将大目标分解成小目标，每天完成一部分，这样既能提升自信心又能减轻焦虑感。同时，也要记得适时放松，合理安排休息时间哦！比如学习45分钟后，可以适当休息10分钟，做些自己喜欢的事情，劳逸结合才是长久之计呢！💪📚\n另外，也可以尝试一些深呼吸、冥想等放松技巧来缓解焦虑情绪。如果你愿意的话，下次咨询我们可以一起练习，看看哪种方式最适合帮助你应对压力。现在，让我们一步步来，先从细化学习计划开始，你觉得怎么样呢？🌸"
            }
        ]
    },
]

会根据准备的数据构建 vector DB，最终会在 data 文件夹下产生名为 vector_db 的文件夹包含 index.faiss 和 index.pkl。如果已经有 vector DB 则会直接加载对应数据库

  • 可以直接从 xlab 下载对应 DB（请在rag文件目录下执行对应 code）
# https://openxlab.org.cn/models/detail/Anooyman/EmoLLMRAGTXT/tree/main
git lfs install
git clone https://code.openxlab.org.cn/Anooyman/EmoLLMRAGTXT.git
  • 也可以从魔塔社区下载对应数据集
# https://www.modelscope.cn/datasets/Anooyman/EmoLLMRAGTXT/summary
git clone https://www.modelscope.cn/datasets/Anooyman/EmoLLMRAGTXT.git

配置 config 文件

根据需要改写 config.config 文件：

# 存放所有 model
model_dir = os.path.join(base_dir, 'model')

# embedding model 路径以及 model name
embedding_path = os.path.join(model_dir, 'embedding_model')
embedding_model_name = 'BAAI/bge-small-zh-v1.5'


# rerank model 路径以及 model name
rerank_path = os.path.join(model_dir, 'rerank_model')
rerank_model_name = 'BAAI/bge-reranker-large'


# select num: 代表rerank 之后选取多少个 documents 进入 LLM
select_num = 3

# retrieval num： 代表从 vector db 中检索多少 documents。（retrieval num 应该大于等于 select num）
retrieval_num = 10

# 智谱 LLM 的 API key。目前 demo 仅支持智谱 AI api 作为最后生成
glm_key = ''

# Prompt template: 定义
prompt_template = """
	你是一个拥有丰富心理学知识的温柔邻家温柔大姐姐艾薇，我有一些心理问题，请你用专业的知识和温柔、可爱、俏皮、的口吻帮我解决，回复中可以穿插一些可爱的Emoji表情符号或者文本符号。\n

	根据下面检索回来的信息，回答问题。

	{content}

	问题：{query}
"""

本地调用

注意 由于 RAG code 已经集成到 web_internlm2.py 中，import 路径不再适用于本地调用 因此需要如下调整对应 import 路径

  • src/data_processing.py
#from rag.src.config.config import (
#    embedding_path,
#    embedding_model_name,
#    doc_dir, qa_dir,
#    knowledge_pkl_path,
#    data_dir,
#    vector_db_dir,
#    rerank_path,
#    rerank_model_name,
#    chunk_size,
#    chunk_overlap
#)
from config.config import (
    embedding_path,
    embedding_model_name,
    doc_dir, qa_dir,
    knowledge_pkl_path,
    data_dir,
    vector_db_dir,
    rerank_path,
    rerank_model_name,
    chunk_size,
    chunk_overlap
)
  • src/pipeline.py
#from rag.src.data_processing import Data_process
#from rag.src.config.config import prompt_template 

from data_processing import Data_process
from config.config import prompt_template

修改 import 路径之后通过以下 code 执行

cd rag/src
python main.py

数据集

  • 经过清洗的QA对: 每一个QA对作为一个样本进行 embedding
  • 经过清洗的对话: 每一个对话作为一个样本进行 embedding
  • 经过筛选的TXT文本
    • 直接对TXT文本生成embedding (基于token长度进行切分)
    • 过滤目录等无关信息后对TXT文本生成embedding (基于token长度进行切分)
    • 过滤目录等无关信息后, 对TXT进行语意切分生成embedding
    • 按照目录结构对TXT进行拆分，构架层级关系生成embedding

数据集合构建的详情，请参考 qa_generation_README

相关组件

这里我们提供了BGE和BCEmbedding两种组合方式，更加推荐性能更加优异的BGE

BGE Github

BCEmbedding

Langchain

LangChain 是一个开源框架，用于构建基于大型语言模型（LLM）的应用程序。LangChain 提供各种工具和抽象，以提高模型生成的信息的定制性、准确性和相关性。

FAISS

Faiss是一个用于高效相似性搜索和密集向量聚类的库。它包含的算法可以搜索任意大小的向量集。由于langchain已经整合过FAISS，因此本项目中不在基于原生文档开发FAISS in Langchain

RAGAS (TODO)

RAG的经典评估框架，通过以下三个方面进行评估:

  • Faithfulness: 给出的答案应该是以给定上下文为基础生成的。
  • Answer Relevance: 生成的答案应该可以解决提出的实际问题。
  • Context Relevance: 检索回来的信息应该是高度集中的，尽量少的包含不相关信息。

后续增加了更多的评判指标，例如：context recall 等

方案细节

RAG具体流程

  • 根据数据集构建 vector DB
  • 对用户输入的问题进行 embedding
  • 基于 embedding 结果在向量数据库中进行检索
  • 对召回数据重排序
  • 依据用户问题和召回数据生成最后的结果

Note: 当用户选择使用RAG时才会进行上述流程

后续增强

  • 将RAGAS评判结果加入到生成流程中。例如，当生成结果无法解决用户问题时，需要重新生成
  • 增加web检索以处理vector DB中无法检索到对应信息的问题
  • 增加多路检索以增加召回率。即根据用户输入生成多个类似的query进行检索