QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

2024-01-22 1234

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

云数据库 RDS MySQL，集群系列 2核4GB

RDS MySQL Serverless 基础系列，0.5-2RCU 50GB

云数据库 RDS PostgreSQL，集群系列 2核4GB

简介： QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

QAnything (Question and Answer based on Anything) 是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。

您的任何格式的本地文件都可以往里扔，即可获得准确、快速、靠谱的问答体验。

目前已支持格式: PDF，Word(doc/docx)，PPT，Markdown，Eml，TXT，图片（jpg，png等），网页链接，更多格式，敬请期待...

特点
- 数据安全，支持全程拔网线安装使用。
- 支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。
- 支持海量数据问答，两阶段向量排序，解决了大规模数据检索退化的问题，数据越多，效果越好。
- 高性能生产级系统，可直接部署企业应用。
- 易用性，无需繁琐的配置，一键安装部署，拿来就用。
- 支持选择多知识库问答。
架构

1.两阶段检索优势

知识库数据量大的场景下两阶段优势非常明显，如果只用一阶段embedding检索，随着数据量增大会出现检索退化的问题，如下图中绿线所示，二阶段rerank重排后能实现准确率稳定增长，即数据越多，效果越好。

BCEmbedding是由网易有道开发的中英双语和跨语种语义表征算法模型库，其中包含 EmbeddingModel和 RerankerModel两类基础模型。EmbeddingModel专门用于生成语义向量，在语义搜索和问答中起着关键作用，而 RerankerModel擅长优化语义搜索结果和语义相关顺序精排。

BCEmbedding作为有道的检索增强生成式应用（RAG）的基石，特别是在QAnything [github]中发挥着重要作用。QAnything作为一个网易有道开源项目，在有道许多产品中有很好的应用实践，比如有道速读和有道翻译。

QAnything使用的检索组件BCEmbedding有非常强悍的双语和跨语种能力，能消除语义检索里面的中英语言之间的差异，
从而实现：

强大的双语和跨语种语义表征能力【基于MTEB的语义表征评测指标】。
基于LlamaIndex的RAG评测，表现SOTA【基于LlamaIndex的RAG评测指标】。
双语和跨语种优势
- 现有的单个语义表征模型在双语和跨语种场景中常常表现不佳，特别是在中文、英文及其跨语种任务中。BCEmbedding充分利用有道翻译引擎的优势，实现只需一个模型就可以在单语、双语和跨语种场景中表现出卓越的性能。

EmbeddingModel支持中文和英文（之后会支持更多语种）；RerankerModel支持中文，英文，日文和韩文。

1.1 一阶段检索（embedding）

| 模型名称 | Retrieval | STS | PairClassification | Classification | Reranking | Clustering | 平均 |
|:-------------------------------|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|
| bge-base-en-v1.5 | 37.14 | 55.06 | 75.45 | 59.73 | 43.05 | 37.74 | 47.20 |
| bge-base-zh-v1.5 | 47.60 | 63.72 | 77.40 | 63.38 | 54.85 | 32.56 | 53.60 |
| bge-large-en-v1.5 | 37.15 | 54.09 | 75.00 | 59.24 | 42.68 | 37.32 | 46.82 |
| bge-large-zh-v1.5 | 47.54 | 64.73 | 79.14 | 64.19 | 55.88 | 33.26 | 54.21 |
| jina-embeddings-v2-base-en | 31.58 | 54.28 | 74.84 | 58.42 | 41.16 | 34.67 | 44.29 |
| m3e-base | 46.29 | 63.93 | 71.84 | 64.08 | 52.38 | 37.84 | 53.54 |
| m3e-large | 34.85 | 59.74 | 67.69 | 60.07 | 48.99 | 31.62 | 46.78 |
| bce-embedding-base_v1 | 57.60 | 65.73 | 74.96 | 69.00 | 57.29 | 38.95 | 59.43 |

更详细的评测结果详见Embedding模型指标汇总。

1.2二阶段检索（rerank）

| 模型名称 | Reranking | 平均 |
|:-------------------------------|:--------:|:--------:|
| bge-reranker-base | 57.78 | 57.78 |
| bge-reranker-large | 59.69 | 59.69 |
| bce-reranker-base_v1 | 60.06 | 60.06 |

更详细的评测结果详见Reranker模型指标汇总
Reranker Evaluation Results
- Language: en
  - Task Type: Reranking
    | Model | AskUbuntuDupQuestions | MindSmallReranking | SciDocsRR | StackOverflowDupQuestions | AVG |
    |:-------------------------------|:--------:|:--------:|:--------:|:--------:|:--------:|
    | bge-reranker-base | 54.70 | 28.48 | 67.09 | 37.55 | 46.96 |
    | bge-reranker-large | 58.73 | 28.84 | 71.30 | 39.04 | 49.48 |
    | bce-reranker-base_v1 | 56.54 | 30.73 | 75.79 | 42.88 | 51.48 |
    - Summary on en
      | Model | Reranking | AVG |
      |:-------------------------------|:--------:|:--------:|
      | bge-reranker-base | 46.96 | 46.96 |
      | bge-reranker-large | 49.48 | 49.48 |
      | bce-reranker-base_v1 | 51.48 | 51.48 |
- Language: zh
  - Task Type: Reranking
    | Model | T2Reranking | MMarcoReranking | CMedQAv1 | CMedQAv2 | AVG |
    |:-------------------------------|:--------:|:--------:|:--------:|:--------:|:--------:|
    | bge-reranker-base | 67.28 | 35.46 | 81.27 | 84.10 | 67.03 |
    | bge-reranker-large | 67.60 | 37.64 | 82.14 | 84.18 | 67.89 |
    | bce-reranker-base_v1 | 70.25 | 34.13 | 79.64 | 81.31 | 66.33 |
    - Summary on zh
      | Model | Reranking | AVG |
      |:-------------------------------|:--------:|:--------:|
      | bge-reranker-base | 67.03 | 67.03 |
      | bge-reranker-large | 67.89 | 67.89 |
      | bce-reranker-base_v1 | 66.33 | 66.33 |
- Language: en-zh
  - Task Type: Reranking
    | Model | T2RerankingEn2Zh | MMarcoRerankingEn2Zh | AVG |
    |:-------------------------------|:--------:|:--------:|:--------:|
    | bge-reranker-base | 60.45 | 64.41 | 62.43 |
    | bge-reranker-large | 61.64 | 67.17 | 64.41 |
    | bce-reranker-base_v1 | 63.63 | 67.92 | 65.78 |
    - Summary on en-zh
      | Model | Reranking | AVG |
      |:-------------------------------|:--------:|:--------:|
      | bge-reranker-base | 62.43 | 62.43 |
      | bge-reranker-large | 64.41 | 64.41 |
      | bce-reranker-base_v1 | 65.78 | 65.78 |
- Language: zh-en
  - Task Type: Reranking
    | Model | T2RerankingZh2En | MMarcoRerankingZh2En | AVG |
    |:-------------------------------|:--------:|:--------:|:--------:|
    | bge-reranker-base | 63.94 | 63.79 | 63.87 |
    | bge-reranker-large | 64.13 | 67.89 | 66.01 |
    | bce-reranker-base_v1 | 65.38 | 67.23 | 66.31 |
  - Summary on zh-en
    | Model | Reranking | AVG |
    |:-------------------------------|:--------:|:--------:|
    | bge-reranker-base | 63.87 | 63.87 |
    | bge-reranker-large | 66.01 | 66.01 |
    | bce-reranker-base_v1 | 66.31 | 66.31 |
  - Summary on all langs: ['en', 'zh', 'en-zh', 'zh-en']
    | Model | Reranking (12) | AVG (12) |
    |:-------------------------------|:--------:|:--------:|
    | bge-reranker-base | 59.04 | 59.04 |
    | bge-reranker-large | 60.86 | 60.86 |
    | bce-reranker-base_v1 | 61.29 | 61.29 |

1.3 基于LlamaIndex的RAG评测（embedding and rerank）

NOTE:

在WithoutReranker列中，我们的bce-embedding-base_v1模型优于所有其他embedding模型。
在固定embedding模型的情况下，我们的bce-reranker-base_v1模型达到了最佳表现。
bce-embedding-base_v1和bce-reranker-base_v1的组合是SOTA。
如果想单独使用embedding和rerank请参阅：BCEmbedding

2.LLM

开源版本QAnything的大模型基于通义千问，并在大量专业问答数据集上进行微调；在千问的基础上大大加强了问答的能力。
如果需要商用请遵循千问的license，具体请参阅：通义千问

2.1快速开始

必要条件

For Linux

System	Required item	Minimum Requirement	Note
Linux	Single NVIDIA GPU Memory or Double NVIDIA GPU Memory	>= 16GB >= 11GB + 5G	NVIDIA 3090 x 1 recommended NVIDIA 2080TI × 2 recommended
	NVIDIA Driver Version	>= 525.105.17
	CUDA Version	>= 12.0
	Docker version	>= 20.10.5	Docker install
	docker compose version	>= 2.23.3	docker compose install

For Winodws 11 with WSL 2

System	Required item	Minimum Requirement	Note
Windows 11 with WSL 2	Single NVIDIA GPU Memory or Double NVIDIA GPU Memory	>= 16GB >= 11GB + 5G	NVIDIA 3090 NVIDIA 2080TI × 2
	GEFORCE EXPERIENCE	>= 546.33	GEFORCE EXPERIENCE download
	Docker Desktop	>= 4.26.1（131620）	Docker Desktop for Windows

下载安装

step1: 下载本项目

git clone https://github.com/netease-youdao/QAnything.git

如果在Windows系统下请先进入wsl环境

cd QAnything
bash run.sh  # 默认在0号GPU上启动

指定单GPU启动

cd QAnything
bash run.sh 0  # 指定0号GPU启动 GPU编号从0开始 windows机器一般只有一张卡，所以只能指定0号GPU

指定多GPU启动

cd QAnything
bash run.sh 0,1  # 指定0,1号GPU启动，请确认有多张GPU可用，最多支持两张卡启动

开始体验

前端页面

运行成功后，即可在浏览器输入以下地址进行体验。

关闭服务

bash close.sh

3.demo展示

视频链接：https://blog.csdn.net/sinat_39620217/article/details/135743659

信息抽取

网页问答

文件大杂烩

4.常见问题

在windows上执行docker-compose命令启动时报错：/bin/bash^M: bad interpreter: No such file or directory
- 原因：在windows下创建编辑的shell脚本是dos格式的，而linux却是只能执行格式为unix格式的脚本，所以在windows上编辑过的文件在linux上(windows下执行wsl后的环境通常也是linux)执行时会报错。
- 解决方案：将回车符替换为空字符串

#通过命令查看脚本文件是dos格式还是unix格式，dos格式的文件行尾为^M$ ，unix格式的文件行尾为$：
cat -A scripts/run_for_local.sh  # 验证文件格式
sed -i "s/\r//" scripts/run_for_local.sh
sed -i "s/^M//" scripts/run_for_local.sh
cat -A scripts/run_for_local.sh  # 验证文件格式

在前端页面输入问题后，返回结果报错：Triton Inference Error (error_code: 4)
- 原因：显存不够了，目前在问答过程中大模型和paddleocr占用的显存会逐渐上升且不释放，可能造成显存不够。
- 解决方案：重启服务，优化显存的工作已在计划中
- 原因2：如果发现显存够用，那是因为新版模型与部分显卡型号不兼容。
- 解决方案：请更换为兼容模型和镜像，手动下载模型文件解压并替换models目录，然后重启服务即可。
  - 将docker-compose-xxx.yaml中的freeren/qanyxxx:v1.0.9改为freeren/qanyxxx:v1.0.8
  - git clone
  - cd qanything
  - git reset --hard 79b3da3bbb35406f0b2da3acfcdb4c96c2837faf
  - unzip models.zip
  - 替换掉现有的models目录
  - echo "v2.1.0" > models/version.txt # 手动避过版本检查
在前端页面输入问题后，返回结果是类似后面的乱码：omiteatures贶.scrollHeight㎜eaturesodo Curse.streaming pulumi窟IDI贶沤贶.scrollHeight贶贶贶eatures谜.scrollHeight她是
- 原因：显卡型号不支持，例如V100，请使用3080，3090，4080，4090等显卡，显存需要大于16G
服务启动报错，在api.log中显示：mysql.connector.errors.DatabaseError: 2003 (HY000): Can't connect to MySQL server on 'mysql-container-local:3306' (111)
- 原因：将之前的QAnything代码拉取下来后，复制了一份代码到其他的地址，其中有一个volumes是mivlus和mysql默认的本地数据卷，复制后可能导致了mysql的数据卷冲突，导致mysql无法启动。
- 解决方案：删除冲突的数据卷volumes，重新启动服务
服务启动报错：ERROR: for qanything-container-local Cannot start service qanything_local: could not select device driver "nvidia" with capabilities: [[gpu]]
- 原因：查看nvidia显卡驱动版本是否满足要求，windows下建议直接更新到最新版；另外检查下是否安装了NVIDIA Container Toolkit, windows下需要进入wsl2环境，再参考linux下安装方法：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#docker
服务启动报错：nvidia-container-cli: mount error: file creation failed: /var/lib/docker/overlay2/xxxxxx/libnvidia-ml.s0.1: file exists: unknown
- 原因：在windows系统上使用docker-compose-linux.yaml启动
- 解决方案：使用docker-compose-windows.yaml启动

更多内容请关注：

更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。

QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

1.两阶段检索优势

1.1 一阶段检索（embedding）

1.2二阶段检索（rerank）

1.3 基于LlamaIndex的RAG评测（embedding and rerank）

2.LLM

2.1快速开始

必要条件

下载安装

开始体验

3.demo展示

信息抽取

网页问答

文件大杂烩

4.常见问题

热门文章

最新文章

相关课程

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

QAnything本地知识库问答系统：基于检索增强生成式应用（RAG）两阶段检索、支持海量数据、跨语种问答

1.两阶段检索优势

1.1 一阶段检索（embedding）

1.2二阶段检索（rerank）

1.3 基于LlamaIndex的RAG评测（embedding and rerank）

2.LLM

2.1快速开始

必要条件

下载安装

开始体验

3.demo展示

信息抽取

网页问答

文件大杂烩

4.常见问题

热门文章

最新文章

相关课程

相关电子书

相关实验场景