ToB企服应用市场:ToB评测及商务社交产业平台

标题: 基于Qwen2/Lllama3等大模子，部署团队私有化RAG知识库体系的详细教程（Dock [打印本页]

作者: 尚未崩坏 时间: 2024-8-11 07:25
标题: 基于Qwen2/Lllama3等大模子，部署团队私有化RAG知识库体系的详细教程（Dock
自 ChatGPT 发布以来，大型语言模子（Large Language Model，LLM，大模子）得到了飞速发展，它在处理复杂任务、增强天然语言明确和生成类人文本等方面的本领让人惊叹，几乎各行各业均可从中获益。
然而，在一些垂直领域，这些开源或闭源的通用基础大模子也暴露了一些问题，重要体现在以下 3 个方面：

知识的局限性： 大模子的知识源于训练数据，目前主流大模子（如：通义千问、文心一言等）的训练数据基本来源于网络公开的数据。因此，非公开的、离线的、实时的数据大模子是无法获取到（如：团队内部实时业务数据、私有的文档资料等），这些数据相关的知识也就无从具备。
幻觉问题： 大模子生成人类文本底层原理是基于概率（目前还无法证实大模子有意识），所以它偶然候会一本端庄地颠三倒四，特殊是在不具备某方面的知识环境下。当我们也因缺乏这方面知识而咨询大模子时，大模子的幻觉问题会各我们造成许多困扰，因为我们也无法区分其输出的精确性。
数据的安全性： 对于个人、创新团队、企业来说，数据安全至关重要，老牛同砚相信没有谁会愿意承担数据泄露的风险，把自己内部私有数据上传到第三方平台举行模子训练。这是一个矛盾：我们既要借助通用大模子本领，又要保障数据的安全性！

为相识决以上通用大模子问题，检索增强生成（Retrieval-Augmented Generation，RAG）方案就应运而生了：

RAG 的重要流程重要包罗以下 2 个阶段：

数据准备阶段： 管理员将内部私有数据向量化后入库的过程，向量化是一个将文本数据转化为向量矩阵的过程，该过程会直接影响到后续检索的结果；入库即将向量数据构建索引，并存储到向量数据库的过程。
用户应用阶段： 根据用户的 Prompt 提示词，通过检索召回与 Prompt 提示词相关联的知识，并融入到原 Prompt 提示词中，作为大模子的输入 Prompt 提示词，通用大模子因此生成相应的输出。

从上面 RAG 方案我们可以看出，通过与通用大模子相联合，我们可搭建团队私有的内部本地知识库，并能有效的解决通用大模子存在的知识局限性、幻觉问题和隐私数据安全等问题。
目前市面上已经有多个开源 RAG 框架，老牛同砚将选择AnythingLLM框架（16.8K ☆，https://github.com/Mintplex-Labs/anything-llm）与各人一起来部署我们自己或者团队内部的本地知识库。整个部署过程将涉及以下几个方面：

环境准备： AnythingLLM框架保举使用 Docker 部署，因此我们需要提前把 Docker 安装和设置好
大模子准备： 老牛同砚继续使用Qwen2-7B大模子，各人可以根据自己现真相况选择，无特殊要求
RAG 部署和使用： 即 AnythingLLM 安装和设置，并终极使用我们各人的 RAG 体系

环境准备：Windows 打开虚拟化功能（Hyper-V 和 WSL）

友谊提示： 老牛同砚用的是 Windows 操纵体系，因此下面是 Windows 的设置方式。
安装 Docker 需要用到虚拟化，因此需要 Windows 体系打开Hyper-V和WSL 子体系功能。假如是 Windows 11 家庭版，默认并没有安装Hyper-V功能，可以通过以下方式举行安装：

【第一步（家庭版）：安装 Hyper-V 依靠包】

新建一个 txt 临时文本，并复制以下代码并保存，之后把该临时文件重定名为Hyper-V.bat
右键以管理员方式运行Hyper-V.bat，本代码自动安装相关包，完成之后输入Y重启电脑后即可

pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

复制代码

【第二步：开启虚拟化功能】
首先，打开 Windows 功能（即：控制面板）：

然后，勾选以下 3 个选项（Hyper-V、实用于 Linux 的 Windows 子体系和虚拟机平台），打开虚拟化功能：

点击确定之后重启电脑即可！
环境准备：Docker 安装和设置

Docker 安装和设置重要包罗以下 2 个步骤：
【第一步：下载 Docker 软件】
下载和安装 Docker 软件：https://www.docker.com
假如各人和老牛同砚一样，出现无法打开 Docker 官网的环境，则也可以通过以下方式下载最新的版本：

打开 Docker 中文网站：https://docker.github.net.cn/desktop/release-notes/
选择对应的安装软件，假如直接点击下载，大概还是无法下载。可以右键复制下载链接，然后通过迅雷举行下载（老牛同砚亲测有效）

【第二步；Docker 安装和设置】
下载完成之后，安装过程与普通的软件没有区别，安装完成之后需要注销电脑：

登录操纵体系之后，需要Accept同意 Docker 协议条款，然后注册登录或者Continue without signing in直接跳过，打开 Docker 软件。
设置镜像源： 点击右上角齿轮设置按钮，选择Docker Engine，打开设置页面，输入 Docker 镜像文件加速器地址：

"registry-mirrors": [
"https://docker.registry.cyou",
"https://mirror.baidubce.com"
]

复制代码

假如以上加速器地址不可用，可以使用阿里云个人私有的地址：https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors

点击Apply & Restart按钮即可！
AnythingLLM 安装和设置

接下来，我们开始安装和部署AnythingLLM框架，包罗以下 3 步：
【第一步： 下载和启动 AnythingLLM 镜像】

docker pull mintplexlabs/anythingllm

复制代码

可以通过以下下令，查看当前 Docker 的镜像列表：

>docker images
REPOSITORY TAG IMAGE ID CREATED SIZE
mintplexlabs/anythingllm latest d950fa3b8011 2 days ago 2.94GB

复制代码

【第二步： 启动 AnythingLLM 框架】
Windows 体系： AnythingLLM 镜像挂载和启动下令（因为下令有多行，需要通过PowerShell实行）：

# Run this in powershell terminal
$env:STORAGE_LOCATION="$HOME\Documents\anythingllm"; `
If(!(Test-Path $env:STORAGE_LOCATION)) {New-Item $env:STORAGE_LOCATION -ItemType Directory}; `
If(!(Test-Path "$env:STORAGE_LOCATION\.env")) {New-Item "$env:STORAGE_LOCATION\.env" -ItemType File}; `
docker run -d -p 3001:3001 `
--cap-add SYS_ADMIN `
-v "$env:STORAGE_LOCATION`:/app/server/storage" `
-v "$env:STORAGE_LOCATION\.env:/app/server/.env" `
-e STORAGE_DIR="/app/server/storage" `
mintplexlabs/anythingllm;

复制代码

或者，Linux/MacOS 体系： AnythingLLM 镜像挂载和启动下令：

export STORAGE_LOCATION=$HOME/anythingllm && \
mkdir -p $STORAGE_LOCATION && \
touch "$STORAGE_LOCATION/.env" && \
docker run -d -p 3001:3001 \
--cap-add SYS_ADMIN \
-v ${STORAGE_LOCATION}:/app/server/storage \
-v ${STORAGE_LOCATION}/.env:/app/server/.env \
-e STORAGE_DIR="/app/server/storage" \
mintplexlabs/anythingllm

复制代码

启动完成，通过浏览器打开AnythingLLM界面：http://localhost:3001

【第三步： 设置 AnythingLLM】
点击Get started 按钮，进入LLM 选择页面。老牛同砚在前面文章中，分别介绍了大模子通过Ollama和OpenAI这 2 种重要的部署方式（包罗：Llama3、Qwen2、Gemma2等）。
老牛同砚在这里选择Ollama方式，假如各人重新设置了端口号，则需要看下 Ollama URL 端口号是否精确，默认值为：http://host.docker.internal:11434

AnythingLLM 设置确认，包罗：大模子提供方、词嵌入和向量数据库，这些设置后续还可以修改。
最后，创建一个工作区，老牛同砚设置的名称为：RAG-ClassmateWX
AnythingLLM 导入数据和使用

上一步设置完成之后，无需任何其他设置，就可以和大模子对话谈天了，和通过其他客户端与大模子对话没有区别。接下来，我们需要导入我们内部私有数据，并举行验证。
【第一步：导入内部数据】
我们在电脑本地新建一个 txt 文件，文件名为：为什么个人、团队等均有须要部署私有化的RAG知识库体系.txt，文件内容就是本文的开头内容：

自ChatGPT发布以来，大型语言模型（Large Language Model，LLM，大模型）得到了飞速发展，它在解决复杂任务、增强自然语言理解和生成类人文本等方面的能力让人惊叹，几乎各行各业均可从中获益。
然而，在一些垂直领域，这些开源或闭源的通用的基础大模型也暴露了一些问题，主要有以下3个方面：
1. **知识的局限性：** 大模型的知识源于训练数据，目前主流大模型（如：通义千问、文心一言等）的训练数据基本来源于网络公开的数据。因此，非公开的、离线的、实时的数据大模型是无法获取到（如：团队内部实时业务数据、私有的文档资料等），这些数据相关的知识也就无从具备。
2. **幻觉问题：** 大模型生成人类文本底层原理是基于概率（目前还无法证明大模型有意识），所以它有时候会**一本正经地胡说八道**，特别是在不具备某方面的知识情况下。当我们也因缺乏这方面知识而咨询大模型时，大模型的幻觉问题会各我们造成很多困扰，因为我们也无法区分其输出的正确性。
3. **数据的安全性：** 对于个人、创新团队、企业来说，**数据安全**至关重要，老牛同学相信没有谁会愿意承担数据泄露的风险，把自己内部私有数据上传到第三方平台进行模型训练。这是一个矛盾：我们既要借助通用大模型能力，又要保障数据的安全性！
为了解决以上3个大模型通用问题，**检索增强生成**（Retrieval-Augmented Generation，**RAG**）方案就应运而生了！

复制代码

首先，点击RAG-ClassmateWX工作空间右边的上传图标，准备上传本 txt 文件：

然后，点击 txt 文件并上传，并点击Move to workspace导入到工作空间：

最后，点击Save and Embed完成 txt 文本文件数据准备步骤（导入、向量化和入库等）。
【第二步：内部数据使用和验证】
回到主界面，输入刚才 txt 内部文件名：为什么个人、团队等均有须要部署私有化的 RAG 知识库体系

RAG 的回答感觉比我原文要许多多少了，大模子在引用了内部数据的同时，还展示自己的创造性！
同时，老牛同砚用同样的问题，咨询 AnythingLLM 的底层模子，结果就比力普通通用了，各人可以对比看下：

总结和问题

和我们之前的大模子部署和应用过程相比，基于 AnythingLLM 的 RAG 实现整个部署过程比力繁琐，包罗环境准备、Docker 安装和设置、AnythingLLM 设置等。然而，AnythingLLM 的使用过程却相对比力简单，我们只需要上传我们内部数据文件，AnythingLLM 框架屏蔽了中间的数据提取分割、向量化处理、向量索引和入库、检索召回和重组 Prompt 提示词等过程。
同时，我们通过构建本地知识库，做了一个简单的测试验证，测试结果表明，在使用 RAG 的环境下，大模子的回答结果更加有效、更符合我们期望，同时具备了肯定的创造性！
老牛同砚最后提个问题：检索召唤的过程，能否使用搜刮引擎（如：Elastic Search）代替？欢迎各人留言讨论，我们共同砚习进步！

关注本公众号，我们共同砚习交流进步

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)