167 lines
6.6 KiB
Markdown
167 lines
6.6 KiB
Markdown
# 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**
|
||
|
||
```python
|
||
|
||
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
|
||
```
|
||
|
||
```python
|
||
|
||
cd rag
|
||
pip3 install -r requirements.txt
|
||
|
||
```
|
||
|
||
## **使用指南**
|
||
|
||
### 准备数据
|
||
|
||
- txt数据：放入到 src.data.txt 目录下
|
||
- json 数据：放入到 src.data.json 目录下
|
||
|
||
JSON 数据格式如下
|
||
```python
|
||
[
|
||
{
|
||
"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
|
||
|
||
|
||
### 配置 config 文件
|
||
|
||
根据需要改写 config.config 文件：
|
||
|
||
```python
|
||
|
||
# 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}
|
||
"""
|
||
```
|
||
|
||
### 调用
|
||
|
||
```python
|
||
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](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) (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
|
||
|
||
**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
|
||
|
||
|