大模型外挂知识库
引言
我们知道，ChatGPT回答的数据来自于训练的数据（如现在是截止到2022年的数据），不能使用其他数据，但需要大模型根据特定的数据源来回答时问题时，该怎么办呢？
根据“大模型可以根据输入的上下文信息，针对问题生成相应的回答”，这个特性，可以将数据和问题一起输入，如下面形式：
但存在问题：
- 但数据量大时就不行了，因为大模型所支持的上下文长度有限，即所支持的token长度有限。
那只将和问题相关的数据内容提取出来作为上下文输入，这样可以减少数据源，但有2个问题：
- 需要提前将与问题相关的内容筛选出来
- 这就变成了检索/搜索问题
针对第2个问题，就是给定一个数据源，在里面检索数据，这里就可以用到了外挂知识库。
外挂知识库的核心思想是：
- 将数据源的内容通过某种格式保存在数据库中
- 每次提问题时，先去数据库检索相关内容
- 将内容和问题组成prompt提交给大模型
- 大模型返回对应的问题答案
名次解释：
- 分词（Tokenizer）：将文本拆分成单个单词或词语，结构化为计算机可以处理的结构化形式，，比如 我每天六点下班 可以拆分为 “我”，“每天”，“六点下班”，常见的分词器有 markdown 分词MarkdownTextSplitter
- 向量化（Embedding）：将文本数据转换为向量的过程。计算机无法直接处理文本，因此需要将文本转换为数学向量形式，以便算法能够理解和处理。文本和数学向量之间互相映射，但数学向量更便于计算机运算。对中文比较友好的向量模型库有 shibing624/text2vec-base-chinese
- 向量数据库（Vector Store）: 存储和管理向量化后的文本数据的数据库，能快速检索相似文本或进行文本相似性比较。比如 FAISS 这个库
方案选择
目前已经有许多开源的方案，也有许多商业化的方案，基本上可以分为：
- ChatGPT + Fine-tune：微调出一个自己的模型，从一些大佬的反馈来看，这种方式成本高，需要花费很多精力去训练，效果不一定能够很好。可以看看 如何使用OpenAI fine-tuning(微调)训练属于自己的专有模型？- 知乎 和 大模型外挂(向量)知识库 - 知乎
- ChatGPT + 外挂知识库: 这个有两个方案，第一个就是官方提供的插件 chatgpt-retrieval-plugin 来处理文档向量，视频 效果演示，缺点就是只能在 ChatGPT 源站点使用，并且要有插件开发者权限。另一个是利用 LangChain 处理生成向量库，然后调用 ChatGPT openapi ， 带上检索出来的相关数据和问题去使用。
- 开源 LLM + 微调: 就是利用开源的 LLM 微调训练目标的知识库，比如 ChatGLM3，当然训练成本也是在的，但可以做到数据不泄露，前面 2 种始终需要通过 ChatGPT，难免出现一些数据泄露。
- LangChain + 开源 LLM: 如果不想自己训练，又想保证数据安全，那么结合 2，3 点的方案则是安全可靠的，用 LangChain 对文档进行向量化，然后检索内容，在调用 LLM 对得到的内容进行总结输出。
上面几种方案，2，4 都是比较简单的方案，区别就是模型的问题和数据是否私有化。
LangChain + 开源 LLM
LangChain-chatchat
是一种利用LangChain思想实现基于本地知识库的问答应用，而 LangChain 则是一个 AI 开发框架，方便调用各类 AI 工具。
LangChain-chatchat 具体处理过程如下：
加载数据源文件 -》读取文本 -》文本分割 -〉文本向量化 -》问题向量化 -〉 在向量库中匹配与出问题向量最相似的top k 个-》匹配出的数据内容和问题一起添加到prompt中 -〉 提交给大模型生成回答。
安装过程
- 安装模型
- 安装向量模型
- 安装Langchain-Chatchat
- 修改配置文件
- 运行测试
