6行代码入门RAG开发_rag代码

什么是RAG？

检索增强生成（RAG）是指对大型语言模型输出进行优化，使其能够在生成响应之前引用训练数据来源之外的权威知识库。大型语言模型（LLM）用海量数据进行训练，使用数十亿个参数为回答问题、翻译语言和完成句子等任务生成原始输出。在 LLM 本就强大的功能基础上，RAG 将其扩展为能访问特定领域或组织的内部知识库，所有这些都无需重新训练模型。这是一种经济高效地改进 LLM 输出的方法，让它在各种情境下都能保持相关性、准确性和实用性。

更多关于RAG的介绍可以看这篇文章：

什么是RAG(检索增强生成)？

上代码

# 导入必要的类   from llama_index.core import SimpleDirectoryReader   from llama_index.core import VectorStoreIndex   # 加载文档   documents = SimpleDirectoryReader("./data").load_data()   # 创建文档索引   index = VectorStoreIndex.from_documents(documents)   # 创建聊天引擎   chat_engine = index.as_chat_engine(chat_mode="condense_question", verbose=True)   # 执行聊天   print(chat_engine.chat("DuckDB的VSS扩展主要功能, reply in Chinese"))
1

6行代码入门RAG

输出效果可还满意？这里使用的是 LiteLLM+ollama 的私有化模型来模拟 OpenAI的，详情下次介绍。

代码解析

1. 安装必要的包：

   pip install llama-index
   1

2. 导入必要的类：

   from llama_index.core import SimpleDirectoryReader   from llama_index.core import VectorStoreIndex
   1

• SimpleDirectoryReader：用于从指定目录加载文档的类。

• VectorStoreIndex：用于创建文档索引的类，它允许基于文档内容进行检索。

3. 加载文档：

   documents = SimpleDirectoryReader("./data").load_data()
   1

• • 使用SimpleDirectoryReader类从当前目录下的./data文件夹加载文档。load_data()方法将文档加载为一个列表。

4. 创建文档索引：

   index = VectorStoreIndex.from_documents(documents)
   1

• 利用VectorStoreIndex类和加载的文档列表创建一个索引。这个索引将用于后续的检索和生成回答。

5. 创建聊天引擎：

   chat_engine = index.as_chat_engine(chat_mode="condense_question", verbose=True)
   1

• 使用index.as_chat_engine()方法创建一个聊天引擎，它将使用索引来生成回答。

• chat_mode="condense_question"参数指定了聊天引擎的模式，在这个例子中，它将尝试将用户的问题压缩成更简洁的形式。

• verbose=True参数表示在生成回答的过程中将打印出额外的详细信息。

6. 执行聊天：

print(chat_engine.chat("DuckDB的VSS扩展主要功能, reply in Chinese"))
1

• 使用chat_engine.chat()方法执行一次聊天交互。

llamaindex 简介

LlamaIndex[1] 是一个用于构建 上下文增强型 大型语言模型（LLM）应用程序的框架。上下文增强指的是任何在您的私有或特定领域数据之上应用 LLM 的用例。用例包括：

• 提示（Prompting）

• 问答（Question-Answering (RAG)）

• 聊天机器人（Chatbots）

• 结构化数据抽取（Structured Data Extraction）

• 代理（Agents）

• 多模态应用（Multi-Modal Applications）

• 微调（Fine-Tuning）

LlamaIndex 提供了工具，使您能够将上述任何用例从原型构建到生产。这些工具允许您同时摄取（处理）这些数据，并实现复杂的查询工作流程，结合数据访问与 LLM 提示。

LlamaIndex 支持 Python 和 Typescript。

LlamaIndex

RAG 步骤拆解

一个最基本的 RAG 可以分解为如下5步：

1. 查询向量化：将用户查询输入嵌入模型，将自然语言查询转换成一个语义化的嵌入向量，以便于进行后续的数学运算和相似性比较。

2. 向量数据库查询：将得到的嵌入查询向量输入到向量数据库中，以便进行高效的信息检索。

3. 上下文检索：在知识库中检索与查询向量距离最近的前k个上下文块。这些上下文块与查询在语义上最为相关，它们将作为生成答案的依据。

4. 上下文与查询传递：将原始查询文本和检索到的相关上下文文本一起输入到大型语言模型（LLM）中。

5. 生成响应：利用LLM的强大生成能力，结合查询文本和检索到的上下文，生成一个准确、连贯且信息丰富的响应。

通过这五个步骤，RAG技术能够有效地结合检索和生成两个环节，以提供更加精准和丰富的信息回答。

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】