背景及实现思路
大语言模型(LLM)作为自然语言处理领域的核心技术,具有丰富的自然语言处理能力。但其训练语料库具有一定的局限性,一般由普适知识、常识性知识,如维基百科、新闻、小说,和各种领域的专业知识组成。导致 LLM 在处理特定领域的知识表示和应用时存在一定的局限性,特别对于垂直领域内,或者企业内部等私域专属知识。
实现专属领域的知识问答的关键,在于如何让LLM能够理解并获取存在于其训练知识范围外的特定领域知识。同时可以通过特定Prompt构造,提示LLM在回答特定领域问题的时候,理解意图并根据注入的领域知识来做出回答。在通常情况下,用户的提问是完整的句子,而不像搜索引擎只输入几个关键字。这种情况下,直接使用关键字与企业知识库进行匹配的效果往往不太理想,同时长句本身还涉及分词、权重等处理。相比之下,倘若我们把提问的文本,和知识库的内容,都先转化为高质量向量,再通过向量检索将匹配过程转化为语义搜索,那么提取相关知识点就会变得简单而高效。
接下我们将基于中文突发事件语料库(CEC Corpus)演示关于突发事件新闻报道的知识问答。
整体流程
主要分为三个阶段:
- 本地知识库的向量化。通过文本向量模型将其转化为高质量低维度的向量数据,再写入DashVector向量检索服务。这里数据的向量化我们采用了灵积模型服务上的Embedding API实现。
- 相关知识点的提取。将提问文本向量化后,通过 DashVector 提取相关知识点的原文。
- 构造 Prompt 进行提问。将相关知识点作为“限定上下文+提问” 一起作为prompt询问通义千问。
前提准备
1. API-KEY 准备
- 开通灵积模型服务,并获得 API-KEY:开通DashScope并创建API-KEY。
- 开通DashVector向量检索服务,并获得 API-KEYAPI-KEY管理。
2. 环境准备
说明:需要提前安装 Python3.7 及以上版本,请确保相应的 python 版本。
pip3 install dashvector dashscope
3. 数据准备
git clone https://github.com/shijiebei2009/CEC-Corpus.git
搭建步骤
说明:本教程所涉及的 your-xxx-api-key 以及 your-xxx-cluster-endpoint,均需要替换为您自己的API-KAY及CLUSTER_ENDPOINT后,代码才能正常运行。
1. 本地知识库的向量化
CEC-Corpus 数据集包含 332 篇突发事件的新闻报道的语料和标注数据,这里我们只需要提取原始的新闻稿文本,并将其向量化后入库。文本向量化的教程可以参考《基于向量检索服务与灵积实现语义搜索》。示例代码如下:
importosimportdashscopefromdashscopeimportTextEmbeddingfromdashvectorimportClient, Docdefprepare_data(path, batch_size=25): batch_docs= [] forfileinos.listdir(path): withopen(path+'/'+file, 'r', encoding='utf-8') asf: batch_docs.append(f.read()) iflen(batch_docs) ==batch_size: yieldbatch_docsbatch_docs= [] ifbatch_docs: yieldbatch_docsdefgenerate_embeddings(news): rsp=TextEmbedding.call( model=TextEmbedding.Models.text_embedding_v1, input=news ) embeddings= [record['embedding'] forrecordinrsp.output['embeddings']] returnembeddingsifisinstance(news, list) elseembeddings[0] if__name__=='__main__': dashscope.api_key='{your-dashscope-api-key}'# 初始化 dashvector clientclient=Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' ) # 创建集合:指定集合名称和向量维度, text_embedding_v1 模型产生的向量统一为 1536 维rsp=client.create('news_embedings', 1536) assertrsp# 加载语料id=0collection=client.get('news_embedings') fornewsinlist(prepare_data('CEC-Corpus/raw corpus/allSourceText')): ids= [id+ifori, _inenumerate(news)] id+=len(news) vectors=generate_embeddings(news) # 写入 dashvector 构建索引rsp=collection.upsert( [ Doc(id=str(id), vector=vector, fields={"raw": doc}) forid, vector, docinzip(ids, vectors, news) ] ) assertrsp
在示例中,我们将 Embedding 向量和新闻报道的文稿(作为raw
字段)一起存入DashVector向量检索服务中,以便向量检索时召回原始文稿。
2. 知识点的提取
将 CEC-Corpus 数据集所有新闻报道写入DashVector服务后,就可以进行快速的向量检索。实现这个检索,我们同样将提问的问题进行文本向量化后,再在DashVector服务中检索最相关的知识点,也就是相关新闻报道。
fromdashvectorimportClientfromembeddingimportgenerate_embeddingsdefsearch_relevant_news(question): # 初始化 dashvector clientclient=Client( api_key='{your-dashvector-api-key}', endpoint='{your-dashvector-cluster-endpoint}' ) # 获取刚刚存入的集合collection=client.get('news_embedings') assertcollection# 向量检索:指定 topk = 1 rsp=collection.query(generate_embeddings(question), output_fields=['raw'], topk=1) assertrspreturnrsp.output[0].fields['raw']
3. 构造 Prompt 向LLM(通义千问)提问
在通过提问搜索到相关的知识点后,我们就可以将 “提问 + 知识点” 按照特定的模板作为 prompt 向LLM发起提问了。在这里我们选用的LLM是通义千问,这是阿里巴巴自主研发的超大规模语言模型,能够在用户自然语言输入的基础上,通过自然语言理解和语义分析,理解用户意图。可以通过提供尽可能清晰详细的指令(prompt),来获取更符合预期的结果。这些能力都可以通过通义千问API来获得。
具体我们这里设计的提问模板格式为:请基于我提供的内容回答问题。内容是{___},我的问题是{___}
,当然您也可以自行设计合适的模板。
fromdashscopeimportGenerationdefanswer_question(question, context): prompt=f'''请基于```内的内容回答问题。" ```{context} ``` 我的问题是:{question}。 '''rsp=Generation.call(model='qwen-turbo', prompt=prompt) returnrsp.output.text
知识问答
做好这些准备工作以后,就可以对LLM做与具体知识点相关的提问了。比如在 CEC-Corpus 新闻数据集里,有如下一篇报道。因为整个新闻数据集已经在之前的步骤里,转换成向量入库了,我们现在就可以把这个新闻报道作为一个知识点,做出针对性提问:海南安定追尾事故,发生在哪里?原因是什么?人员伤亡情况如何?
,并查看相应答案。
importdashscopefromsearchimportsearch_relevant_newsfromanswerimportanswer_questionif__name__=='__main__': dashscope.api_key='{your-dashscope-api-key}'question='海南安定追尾事故,发生在哪里?原因是什么?人员伤亡情况如何?'context=search_relevant_news(question) answer=answer_question(question, context) print(f'question: {question}\n'f'answer: {answer}')
可以看到,基于DashVector作为向量检索的底座,LLM大模型的知识范畴得到了针对性的扩展,并且能够对于专属的特定知识领域做出正确的回答。
写在最后
从本文的范例中,可以看到DashVector作为一个独立的向量检索服务,提供了开箱即用的强大向量检索服务能力,这些能力和各个AI模型结合,能够衍生多样的AI应用的可能。这里的范例中,LLM大模型问答,以及文本向量生成等能力,都是基于灵积模型服务上的通义千问API和Embedding API来接入的,在实际操作中,相关能力同样可以通过其他三方服务,或者开源模型社区,比如ModelScope上的各种开源LLM模型来实现。