免费POC, 零成本试错
AI知识库

AI知识库

学习大模型的前沿技术与行业落地应用


收藏

解决知识库问答质量低 , Qanything 二段检索( Mac M2环境 )

发布日期:2024-05-30 04:26:13 浏览次数: 5825
作者:博金斯的AI笔记

微信搜一搜,关注“博金斯的AI笔记”

近 2 月还比较火的升级版 RAG知识库问答还有 RagFlow,但对我用的MacOS系统支持不好,第一步就卡住了,因此就部署Qanything
RagFlow必须设置程序最大可使用的内存大小sysctl -w vm.max_map_count=262144,不然在 docker 拉取镜像时会显示``container ragflow-es-01 is unhealthy`
如果在sysctl -w vm.max_map_count=262144出现unknown oid vm.max_map_count,在 Mac 会出现,因为 vm max 这个参数是 linux 系统的
在查找解决方法过程中发现了 Qanything比 Ragflow 的 star数量都多,而且教程更详细,对 Mac 支持更好,因此决定部署 Qanything


二段搜索

Qanything 采用嵌入模型是 BCEmbedding, 下图是国外对各个向量模型测评,BCEmbedding跨语种能力很强

我在写ollama+Obsidian, 自定义构建本地AI 写作助理,不用联网 文末提到过 LLM 向量检索的幻觉依然很重,几乎无法检测非 csv 文档的内容,当时为此头疼, 没想到现在就发现一个进步的解决方法
按照上图,除了 embedding,增加了 rerank 的步骤来增加向量检索的精度, 左边是没经过 rerank 的,右边经过 rerank,得分更高颜色也更绿, 最绿的就是 rerank 之后的BCEmbedding,
“
为什么是两阶段检索:
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。
https://github.com/netease-youdao/BCEmbedding/blob/master/Docs/EvaluationSummary/embedding_eval_summary.md 该网址汇总了一阶段embedding各语言的向量模型排名
https://github.com/netease-youdao/BCEmbedding/blob/master/Docs/EvaluationSummary/reranker_eval_summary.md汇总了二阶段 reranking各语言的向量模型排名
Qanything 架构图: LLM 根据用户提问,先收集各种图文素材进行 embedding,embedding 形成向量检索相似度排名后,再进行第二阶段的 reranking,再排一次名,再交给 LLM 阅读并返回回复


项目功能特点:
  1. 本项目支持embedding 和 rerank 的单用

  2. QAnything的大模型基于qwen-7b,并在大量专业问答数据集上进行微调;支持与OpenAI API兼容的其他LLM服务(包括 ollama),并提供优化后的PDF解析器

  3. 支持在纯Python环境中安装;支持混合检索

  4. 支持联网检索、FAQ、自定义BOT、文件溯源等

  5. 可把项目作为api 对接其他应用

支持python 和 docker 版本,docker 版本功能滞后(但适合生成环境和私有化部署)并且不支持 Mac,所以我安装的是 python 版本

python 版部署教程

请创建一个干净的Python虚拟环境,以避免潜在冲突(推荐使用Anaconda3 python 版本一定是 3.10, 3.12的好多包都安装有问题
conda create -n qanything-python python=3.10conda activate qanything-pythongit clone -b qanything-python https://github.com/netease-youdao/QAnything.gitcd QAnythingpip install -r requirements.txt# 请根据使用环境选择启动脚本:bash scripts/xxx(内部调用纯python启动代码,可手动修改python启动命令)
我用 ollama 运行下面命令,会下载 2 个 G 的模型,14MB/s 的下载速度,半分钟就下载完毕
bash scripts/run_for_ollama_api_in_M1_mac.sh
下载完毕会显示下图, http://0.0.0.0:8777/qanything/地址在我这台M2打不开, 替换成本地 ip 地址就行,我的是http://192.168.1.6:8777/qanything/#/home ,在网页就能出现 Qanything的前端


项目scripts文件下的 run_for xxx根据自己的系统选择即可,window ,linux 都有部署教程,去 Github 官网查看,有中文说明 md 文档


建议在运行 bash 指令前去这里的 run_forxx 文件修改模型和上下文 token, 我用的就不是默认的llama3,而是 llama3:70b,需要改成 70b,跟你ollama run llama3:70b的名称一样,不然会显示模型找不到
token 写大些不然会遇到index out of range 的问题,如下图

以run_for_ollama 为例,把原本的
bash scripts/base_run.sh -s "M1mac" -w 4 -m 19530 -q 8777 -o -b 'http://localhost:11434/v1' -k 'ollama' -n 'llama3' -l '4096'
我需要改成自己设置的 llama 模型,token 改成8000,(llama2 上下文 token 是 4096,llama3 是 8000 token)
bash scripts/base_run.sh -s "M1mac" -w 4 -m 19530 -q 8777 -o -b 'http://localhost:11434/v1' -k 'ollama' -n 'llama3:70b' -l '8000'
运行成功在浏览器显示如下界面



左边新建知识库上传,右边在终端/命令行就进行处理


角色设定和欢迎语都是让 chatGPT4 帮忙生成的, 知识库是我的每天写的日记, 机器人就是对日记进行文档
这里顺便给大家介绍下我自己在用的4 个提示词小技巧,确实能改善回答质量
必须;命令直接,;受众;小费
“
instance: 必须整理成中文的高品质专业时尚文章, 受众是对时尚感兴趣的女性消费者,整理得好给你小费
这个比较简单,没有那么花里花哨的 prompt, prompt 越直接简单,GPT 越听得懂, 我跟ChatGPT4 的对话如下图

有直接在知识库问答和自己创建个机器人两种方式, 后者不能用 AI 总结, 只会输出相关知识库文档, 如果按上面提示词设置,也只会重复说 I'm your personal Journal assistant---birkins xxxx,不会像左侧一样对匹配到的文档进行匹配
❓不知道这是 bug 还是我自己的问题, 有解决方法的希望能留言沟通
要中文语料多的就装 qwen 模型,我这里是 llama3,更偏向英语

按照左边的生成结果来说, 对知识库的检索挺准确的,终于找到个不用 CSV 问答对就能较高质量搜索本地知识库的应用了,而且部署比 FastGPT 方便

网络搜索

支持网络(得有梯子)+知识库搜索
我部署时联网显示certificate verify failed, 在 web_search_tool.py按照 python 全局取消 ssl 证书验证的教程也无效  

有谁也有解决方法吗, 欢迎讨论沟通

后记

总体来说, 记录了我在MacOS环境下部署Qanything的过程和心得,展示了其在解决RAG知识库问答质量低问题上的有效性。通过增加重新排序步骤,Qanything显著提高了向量检索的精度,数据越多表现会越好
在部署过程中虽然遇到了创建AI bot 和网络搜索的问题,但也能使得其他用户也能参考和借鉴。希望未来能有更多类似的工具和方法出现,进一步提升知识库问答的质量和效果


53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅