xzw
GitHub
commit
031b8ebc0b
28
README.md
28
README.md
@ -15,6 +15,8 @@
|
||||
[![Contributors][contributors-shield]][contributors-url]
|
||||
[![Forks][forks-shield]][forks-url]
|
||||
[![Issues][issues-shield]][issues-url]
|
||||
[![OpenXLab_App][OpenXLab_App-image]][OpenXLab_App-url]
|
||||
[![OpenXLab_Model][OpenXLab_Model-image]][OpenXLab_Model-url]
|
||||
[![MIT License][license-shield]][license-url]
|
||||
[![Stargazers][stars-shield]][stars-url]
|
||||
|
||||
@ -22,21 +24,20 @@
|
||||
|
||||
<h3 align="center">EmoLLM</h3>
|
||||
|
||||
<p align="center">
|
||||
<div align="center">
|
||||
简体中文| <a href="README_EN.md" >English</a>
|
||||
<br />
|
||||
<br />
|
||||
<a href="https://github.com/aJupyter/EmoLLM"><strong>探索本项目的文档 »</strong></a>
|
||||
<br />
|
||||
<br />
|
||||
<a href="https://github.com/aJupyter/EmoLLM/tree/main/demo">查看Demo</a>
|
||||
<a href="https://openxlab.org.cn/apps/detail/Farewell1/EmoLLMV2.0">体验EmoLLM 2.0</a>
|
||||
·
|
||||
<a href="https://github.com/aJupyter/EmoLLM/issues">报告Bug</a>
|
||||
·
|
||||
<a href="https://github.com/aJupyter/EmoLLM/issues">提出新特性</a>
|
||||
</p>
|
||||
</div>
|
||||
|
||||
</p>
|
||||
|
||||
<!-- 本篇README.md面向开发者 -->
|
||||
|
||||
@ -224,6 +225,19 @@ git clone https://github.com/SmartFlowAI/EmoLLM.git
|
||||
|
||||
该项目签署了 MIT 授权许可，详情请参阅 [LICENSE](https://github.com/SmartFlowAI/EmoLLM/blob/main/LICENSE)
|
||||
|
||||
|
||||
### 引用
|
||||
如果本项目对您的工作有所帮助，请使用以下格式引用：
|
||||
|
||||
```bibtex
|
||||
@misc{EmoLLM,
|
||||
title={EmoLLM},
|
||||
author={EmoLLM},
|
||||
url={https://github.com/SmartFlowAI/EmoLLM/},
|
||||
year={2024}
|
||||
}
|
||||
```
|
||||
|
||||
### 特别鸣谢
|
||||
|
||||
- [Sanbu](https://github.com/sanbuphy)
|
||||
@ -258,6 +272,12 @@ git clone https://github.com/SmartFlowAI/EmoLLM.git
|
||||
[license-shield]: https://img.shields.io/github/license/SmartflowAI/EmoLLM.svg?style=flat-square
|
||||
[license-url]: https://github.com/SmartFlowAI/EmoLLM/blob/main/LICENSE
|
||||
|
||||
[OpenXLab_App-image]: https://cdn-static.openxlab.org.cn/app-center/openxlab_app.svg
|
||||
[OpenXLab_Model-image]: https://cdn-static.openxlab.org.cn/header/openxlab_models.svg
|
||||
[OpenXLab_App-url]: https://openxlab.org.cn/apps/detail/Farewell1/EmoLLMV2.0
|
||||
[OpenXLab_Model-url]: https://openxlab.org.cn/models/detail/ajupyter/EmoLLM_internlm2_7b_full
|
||||
|
||||
|
||||
## 交流群
|
||||
|
||||
- 如果失效，请移步Issue区
|
||||
|
||||
@ -0,0 +1,76 @@
|
||||
# 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
|
||||
|
||||
## **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](https://github.com/SmartFlowAI/EmoLLM/blob/ccfa75c493c4685e84073dfbc53c50c09a2988e3/scripts/qa_generation/README.md)
|
||||
|
||||
## **相关组件**
|
||||
|
||||
### [BCEmbedding](https://github.com/netease-youdao/BCEmbedding?tab=readme-ov-file)
|
||||
|
||||
- [bce-embedding-base_v1](https://hf-mirror.com/maidalun1020/bce-embedding-base_v1): embedding 模型，用于构建 vector DB
|
||||
- [bce-reranker-base_v1](https://hf-mirror.com/maidalun1020/bce-reranker-base_v1): rerank 模型，用于对检索回来的文章段落重排
|
||||
|
||||
### [Langchain](https://python.langchain.com/docs/get_started)
|
||||
|
||||
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](https://faiss.ai/)
|
||||
|
||||
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](https://python.langchain.com/docs/integrations/vectorstores/faiss)
|
||||
|
||||
|
||||
### [RAGAS](https://github.com/explodinggradients/ragas)
|
||||
|
||||
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
|
||||
|
||||
**Noted**: 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
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
@ -218,7 +218,8 @@ def main():
|
||||
user_avator = "assets/user.png"
|
||||
robot_avator = "assets/robot.jpeg"
|
||||
|
||||
st.title("EmoLLM-温柔御姐艾薇（aiwei）")
|
||||
# st.title("EmoLLM-温柔御姐艾薇（aiwei）")
|
||||
st.title("EmoLLM-艾薇（aiwei）AI心理咨询")
|
||||
|
||||
generation_config = prepare_generation_config()
|
||||
|
||||
|
||||
Loading…
Reference in New Issue
Block a user