DashVector x 通义千问大模型：打造基于专属知识的问答服务

2024-05-21
陕西
本文字数：3613 字
阅读完需：约 12 分钟

本教程演示如何使用向量检索服务（DashVector），结合 LLM 大模型等能力，来打造基于垂直领域专属知识等问答服务。其中 LLM 大模型能力，以及文本向量生成等能力，这里基于灵积模型服务上的通义千问 API 以及 Embedding API 来接入。

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。

接下来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。

2. 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。

3. 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 和 Cluster 准备

开通灵积模型服务，并获得 API-KEY。请参考：开通DashScope并创建API-KEY。
开通 DashVector 向量检索服务，并获得 API-KEY。请参考：DashVector API-KEY管理。
开通 DashVector 向量检索服务，并创建Cluster。
获取 Cluster 的 Endpoint，Endpoint 获取请查看 Cluster详情。

说明

灵积模型服务 DashScope 的 API-KEY 与 DashVector 的 API-KEY 是独立的，需要分开获取。

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

复制代码

3. 数据准备

git clone https://github.com/shijiebei2009/CEC-Corpus.git

复制代码

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》。创建embedding.py文件，并将如下示例代码复制到embedding.py中：

import os
import dashscopefrom dashscope import TextEmbedding
from dashvector import Client, Doc

def prepare_data(path, batch_size=25):    batch_docs = []    for file in os.listdir(path):        with open(path + '/' + file, 'r', encoding='utf-8') as f:            batch_docs.append(f.read())            if len(batch_docs) == batch_size:                yield batch_docs                batch_docs = []
    if batch_docs:        yield batch_docs

def generate_embeddings(news):    rsp = TextEmbedding.call(        model=TextEmbedding.Models.text_embedding_v1,        input=news    )    embeddings = [record['embedding'] for record in rsp.output['embeddings']]    return embeddings if isinstance(news, list) else embeddings[0]

if __name__ == '__main__':    dashscope.api_key = '{your-dashscope-api-key}'        # 初始化 dashvector client    client = 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)    assert rsp
    # 加载语料    id = 0    collection = client.get('news_embedings')    for news in list(prepare_data('CEC-Corpus/raw corpus/allSourceText')):        ids = [id + i for i, _ in enumerate(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})                for id, vector, doc in zip(ids, vectors, news)            ]        )        assert rsp

复制代码

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。创建search.py文件，并将如下示例代码复制到search.py文件中。

from dashvector import Client
from embedding import generate_embeddings

def search_relevant_news(question):    # 初始化 dashvector client    client = 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')    assert collection
    # 向量检索：指定 topk = 1     rsp = collection.query(generate_embeddings(question), output_fields=['raw'],                           topk=1)    assert rsp    return rsp.output[0].fields['raw']

复制代码

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。创建answer.py，并将如下示例代码复制到answer.py中。

from dashscope import Generation

def answer_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)    return rsp.output.text

复制代码

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。

创建run.py文件，并将如下示例代码复制到run.py文件中。

import dashscope
from search import search_relevant_newsfrom answer import answer_question
if __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}')

复制代码

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。

免费体验阿里云高性能向量检索服务：https://www.aliyun.com/product/ai/dashvector

发布于: 刚刚阅读数: 2

原文链接:【http://xie.infoq.cn/article/959c5c7f747bf86e04b0528ae】。文章转载请联系作者。

DashVector

关注

还未添加个人签名 2024-05-14 加入

还未添加个人简介

发布

暂无评论

创作场景

DashVector x 通义千问大模型：打造基于专属知识的问答服务

背景及实现思路

整体流程

前提准备

1. API-KEY 和 Cluster 准备

2. 环境准备

3. 数据准备

搭建步骤

1. 本地知识库的向量化

2. 知识点的提取

3. 构造 Prompt 向 LLM(通义千问)提问

知识问答

写在最后

DashVector

评论