Llamaindex RAG 实践
基础任务 (完成此任务即完成闯关)
- 任务要求1（必做，参考readme_api.md） ：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 浦语 API 不会回答，借助 LlamaIndex 后 浦语 API 具备回答 A 的能力，截图保存。注意：写博客提交作业时切记不要泄漏自己 api_key！
- 任务要求2（可选，参考readme.md） ：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 InternLM2-Chat-1.8B 模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。
- 任务要求3（优秀学员必做） ：将 Streamlit+LlamaIndex+浦语API的 Space 部署到 Hugging Face。
首先，RAG 是什么？
答：检索增强生成（Retrieval Augmented Generation，RAG）技术，就是提供外部信息，让模型回答时提前检索，以提高回答的质量
这是RAG 和Fine-Tunning的区别：
再来一个直观图：
任务一：LlamaIndex+InternLM API 实践
1,在开发机上创建新的conda环境，llamaindex，可以理解成新建一个文件夹，所有的相关内容都放在里面；
2, 激活环境并安装python依赖包；
3, 安装Llamaindex和相关的包；
4, 下载Sentence Transformer模型
源词向量模型 Sentence Transformer:（也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的），通过一个python文件来下载的
5, 下载NLTK相关资源
我们在使用开源词向量模型构建开源词向量的时候，需要用到第三方库 nltk 的一些资源。我们通过国内镜像地址下载，保存在服务器上并解压缩
6, 终于到了对比时刻
首先是，不使用 LlamaIndex RAG（仅API） 运行以下指令，新建一个python文件
cd ~/llamaindex_demo
touch test_internlm.py
打开test_internlm.py 贴入以下代码
from openai import OpenAI
base_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
api_key = "***"
model="internlm2.5-latest"
# base_url = "https://api.siliconflow.cn/v1"
# api_key = "***"
# model="internlm/internlm2_5-7b-chat"
client = OpenAI(
api_key=api_key ,
base_url=base_url,
)
chat_rsp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": "xtuner是什么？"}],
)
for choice in chat_rsp.choices:
print(choice.message.content)
之后运行
conda activate llamaindex
cd ~/llamaindex_demo/
python test_internlm.py
然后是，使用了获取了关于xtuner知识库之后，将其向量化处理，回答前先检索
conda activate llamaindex
运行以下命令，获取知识库
cd ~/llamaindex_demo
mkdir data
cd data
git clone https://github.com/InternLM/xtuner.git
mv xtuner/README_zh-CN.md ./
运行以下指令，新建一个python文件
cd ~/llamaindex_demo
touch llamaindex_RAG.py
打开llamaindex_RAG.py贴入以下代码
import os
os.environ['NLTK_DATA'] = '/root/nltk_data'
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.settings import Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.legacy.callbacks import CallbackManager
from llama_index.llms.openai_like import OpenAILike
# Create an instance of CallbackManager
callback_manager = CallbackManager()
api_base_url = "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
model = "internlm2.5-latest"
api_key = "请填写 API Key"
# api_base_url = "https://api.siliconflow.cn/v1"
# model = "internlm/internlm2_5-7b-chat"
# api_key = "请填写 API Key"
llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)
#初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
embed_model = HuggingFaceEmbedding(
#指定了一个预训练的sentence-transformer模型的路径
model_name="/root/model/sentence-transformer"
)
#将创建的嵌入模型赋值给全局设置的embed_model属性，
#这样在后续的索引构建过程中就会使用这个模型。
Settings.embed_model = embed_model
#初始化llm
Settings.llm = llm
#从指定目录读取所有文档，并加载数据到内存中
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
#创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
# 此索引将文档转换为向量，并存储这些向量以便于快速检索。
index = VectorStoreIndex.from_documents(documents)
# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
query_engine = index.as_query_engine()
response = query_engine.query("xtuner是什么?")
print(response)
之后运行
conda activate llamaindex
cd ~/llamaindex_demo/
python llamaindex_RAG.py
借助RAG技术，得到的输出，确实是更加精确了·
如果将来要修改检索内容，可以参见这里
#从指定目录读取所有文档，并加载数据到内存中
documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
7, LlamaIndex web，网页版
第一次尝试总是提示找不到llama_index找不到module，重新尝试一次成功了，还修改了对话模型的名字，哈哈~
任务二：LlamaIndex+本地部署InternLM实践
1, 配置基础环境
a,创建开发机 配置开发机系统。
b,进入开发机后，创建新的 conda 环境，命名为 llamaindex
c, 复制完成后，在本地查看环境。
d, 运行 conda 命令，激活 llamaindex
e, 然后安装 python 相关基础依赖包
2, 安装 Llamaindex 与 Pytorch
a, 安装 Llamaindex 和相关的包
b, 安装 LlamaIndex 词嵌入向量依赖
c, 最后再安装 Pytorch
d, 安装完成后，验证 Pytorch 是否正确安装并使用了指定的 CUDA 版本
3, 下载 Sentence Transformer 模型
4, 下载 NLTK 相关资源
- LlamaIndex HuggingFaceLLM
我理解这一步是安装和调用 local 的模型了，它的代码和之前的区别是不用输入 API 了.
起初：设置的开发机模型只有 10%，提示 GPU 不符合要求：which seems does not fit any GPU's remaining memory，于是后面的步骤就进行不了了
后来：使用了 30% 的开发机，就神奇般的可以拉～
6, LlamaIndex RAG
7, LlamaIndex web
任务三：
zhuanlan.zhihu.com/p/154855065…
