首頁 > 
1 背景
1.1 微調(diào) vs. 知識庫
由于大模型在垂直行業(yè)領(lǐng)域的問答效果仍有待提升，因此，領(lǐng)域知識的注入成為了最直接的解決方案之一。知識注入方法可以分為領(lǐng)域微調(diào)（Fine-tuning）和外掛知識庫（Knowledge Base）兩種。
1. 領(lǐng)域微調(diào)
微調(diào)是通過少量特定用例的增量數(shù)據(jù)對基礎(chǔ)模型進行進一步訓(xùn)練，改變其神經(jīng)網(wǎng)絡(luò)中的參數(shù)權(quán)重。微調(diào)適用于任務(wù)或域定義明確，且有足夠的標(biāo)記數(shù)據(jù)的場景，比如風(fēng)格微調(diào)。目前常用的微調(diào)方法包括Freeze，P-tuning和LoRA，相關(guān)細(xì)節(jié)會在下期文章中詳細(xì)介紹。
然而，微調(diào)方法的不足之處在于：
▪ 高質(zhì)量訓(xùn)練數(shù)據(jù)集的構(gòu)建，微調(diào)訓(xùn)練所需的算力以及微調(diào)模型定期更新等開銷都不容小覷
▪ 試錯成本較高，特定領(lǐng)域數(shù)據(jù)一般難以覆蓋模型已學(xué)到的參數(shù)，且可能會導(dǎo)致模型其他下游任務(wù)的表現(xiàn)下降
2. 外掛知識庫
外掛知識庫的本質(zhì)在于不修改基座模型參數(shù)，通過提示詞工程（Prompt Engineering）將特定知識作為prompt中的context，即召回相關(guān)性最高的幾個文檔，讓模型分析這些蘊含知識后，并返回答案。知識庫適合要求輸出明確且精度高的任務(wù)。
相對于微調(diào)，知識庫的優(yōu)勢在于：
▪ 回答精確度更高，基于相關(guān)文檔中的最相關(guān)特定段落進行語義搜索能消除查詢歧義以生成更精確的答案
▪ 適應(yīng)性更強，用戶可以通過輕松更新信息源來調(diào)整和適配新的領(lǐng)域
但大模型上下文窗口長度的限制和Prompt的構(gòu)造等因素帶來的潛在精度下降也需要納入知識庫構(gòu)建的考量。
為了打造特定領(lǐng)域（Domain-specific Knowledge）的知識問答系統(tǒng)，我們需要借助提供了外掛知識庫的搜索方案LangChain框架。
1.2 LangChain模塊
LangChain是一個由語言模型驅(qū)動的用于開發(fā)應(yīng)用程序的框架。
LangChain主要的兩個能力是：
a. Data-aware：將不同數(shù)據(jù)源接入到語言模型中
b. Agentic：允許語言模型和LangChain環(huán)境交互
LangChain的核心模塊包括Models，Prompts，Chains，Indexes，Agents等 [1]。對于每一個模塊，LangChain都提供了標(biāo)準(zhǔn)化的可拓展接口。
圖1：LangChain部分模塊 [2]
除了用LLM Wrapper可以接入眾多的大模型（如 OpenAI、Cohere、Hugging Face），LangChain同時也通過VectorStore Wrapper接口集成了主流的向量數(shù)據(jù)庫（如 Milvus、Pinecone、Chroma等）來優(yōu)化語義搜索。LangChain能接入的數(shù)據(jù)類型涵蓋了文本、PPT、圖片、HTML、Pdf等非結(jié)構(gòu)化文件。相較于傳統(tǒng)數(shù)據(jù)庫的精確搜索，即完全匹配，向量數(shù)據(jù)庫使用最鄰近（Approximate Nearest Neighbor，ANN）算法和相似度度量（如余弦相似度，內(nèi)積等）來找到和查詢問題最相似的向量。基于本地知識庫問答的大致流程如下：
這里以Milvus數(shù)據(jù)庫和ChatGPT作為示例：
圖2：LangChian + Milvus + ChatGPT pipeline [3]
2 實戰(zhàn)
目前，我們已經(jīng)拆解完了LangChain+LLM文檔問答的大致鏈路，接下來我們正式進入實戰(zhàn)環(huán)節(jié)。
2.1 環(huán)境搭建
a. 安裝LangChain
確保Python 版本≥ 3.8.1 且<4.0。
b. 部署LLama 2
關(guān)于Llama 2模型的部署，詳情可參見
i. 上期文章“大模型技術(shù)實踐（二）｜關(guān)于Llama 2你需要知道的那些事兒”：https://mp.weixin.qq.com/s/9WISpAN91duVYVwfkZQaDw
ii. UCloud官方的“LLaMA2 模型快速部署”文檔：https://docs.ucloud.cn/gpu/practice/LLaMA2?id=llama2-模型快速部署
c. 下載Embedding 模型
這里我們選擇text2vec-large-chinese [4]這個Embedding模型，下載地址為：https://huggingface.co/GanymedeNil/text2vec-large-chinese
對于中文的場景，也有其他優(yōu)秀的開源模型可供選擇，如m3e和bge等[5]。
d. 下載數(shù)據(jù)集
心靈雞湯文本數(shù)據(jù)集：https://huggingface.co/datasets/soulteary/warm-chicken-soup/
這個數(shù)據(jù)集是從Google網(wǎng)頁上爬取的一些心靈雞湯引用短文，共包含631條文本
2.2 文檔解析
a. 加載數(shù)據(jù)集
LangChain對于不同格式的數(shù)據(jù)源內(nèi)置了不同的解析腳本，最終這些數(shù)據(jù)都將轉(zhuǎn)換為純txt文本格式，以實現(xiàn)文本標(biāo)準(zhǔn)化。
b. 文本切分
文本切分中的chunk_size指定了切分后的文本塊的字?jǐn)?shù)，chunk_overlap指定了切分文本塊之間的重疊字?jǐn)?shù)。由于雞湯引用文本總長度較短，且文本內(nèi)部語義關(guān)聯(lián)度高，所以這里的chunk_size設(shè)置為50，chunk_overlap設(shè)置為20。
c. 文本嵌入和向量庫
文本切分后，我們需要將文本進行向量化表示，將其映射為低維稠密的向量并存儲到然向量數(shù)據(jù)庫中。向量數(shù)據(jù)庫選用了無需注冊的FAISS。
2.3 加載模型
2.4 語義檢索
接下來，我就能根據(jù)構(gòu)建好的向量數(shù)據(jù)庫召回對應(yīng)文本片段。
a. 向量化召回
FAISS默認(rèn)使用L2（歐式距離），召回的文檔按照相似度結(jié)果從大到小排序。
b. 設(shè)置提示詞模板
以下是Llama 2默認(rèn)的提示詞模板
我們可以參考上面的模板，根據(jù)場景定制化自己的模板來拼接query和召回結(jié)果
2.5 推理示例
我們對LLM的參數(shù)進行設(shè)置，例如最大令牌（max_new_tokens）、最高k值（top_k）、溫度（temperature）和重復(fù)懲罰（repetition_penalty）等等。最后，將prompt喂給模型。
3 外掛知識庫的問題和優(yōu)化
3.1 LLM+Embedding-Search的局限
外掛知識庫將用戶問題和本地知識向量化，比較兩者的向量相似度（Vector Similarity）進行召回。然而，這種全量的Embedding-Search在面對多知識點聚合處理的場景下，存在召回精度低的問題。因為知識庫的構(gòu)建是對單個知識點進行索引，而非對不同知識點的排列組合分別索引。
為了避免召回遺漏，直觀的處理方法包括降低相似度閾值（similarity score threshold）和增加召回數(shù)量（top_k），但這不免會引入無關(guān)的知識點噪聲且增加和LLM交互的token開銷。
3.2 效果優(yōu)化方向
3.2.1 意圖識別和召回優(yōu)化
提升問答系統(tǒng)的精度可以從意圖識別和召回優(yōu)化兩個角度考慮，且兩者都可以用關(guān)鍵詞表示，即從直接將用戶query和知識點進行embedding轉(zhuǎn)變?yōu)閷烧咛崛￡P(guān)鍵詞后再進行匹配。意圖識別可以通過關(guān)鍵詞提�。↖nformation Extraction, IE）和槽位填充（Slot Filling，SF）實現(xiàn)。：
1. 關(guān)鍵詞提取
a. 面向query——槽位填充
利用LLM思維鏈（Chain-of-Thought，COT）的提示能力來引導(dǎo)用戶多輪對話并進行信息總結(jié)。針對我們的心靈療愈機器人的場景，比如用戶查詢心靈雞湯的句子，那么就要求用戶的提供年齡段，情緒問題和情感需求等信息。語義槽格式如下：
b. 面向知識點——索引入口
對于知識點可以從以下兩個方面考慮：
i. 對相同知識點建立多級索引，有助于實現(xiàn)對維度查詢。比如對一位奧運冠軍的姓名，競賽項目，年齡，獲獎時間等分別建立索引。
ii. 將知識庫轉(zhuǎn)化為以關(guān)系三元組為核心的知識圖譜。三元組的抽取除了傳統(tǒng)的命名實體識別（NER）等方法，也可以通過prompt讓大模型來進行抽取。
基于關(guān)鍵詞的embedding入庫和搜索流程如下：
2. 多路召回
類似于Bert時代的垂直領(lǐng)域問答系統(tǒng)，我們可以將語義檢索和傳統(tǒng)的Elasticsearch（ES）關(guān)鍵詞搜索并行，對兩者進行加權(quán)打分投票來獲取最終的top_k。
目前類似于以上優(yōu)化思路已經(jīng)落地的有“錄問”法律大模型 [6]，其基座模型為Baichuan-7B。錄問知識增強的完整鏈路如圖3。值得注意的是，錄問在知識庫中對每一個知識點是以 [key, value] pair 形式存儲的。key是知識點的內(nèi)容簡介，用于檢索；value是知識點的具體內(nèi)容，用于模型輸入。實現(xiàn)細(xì)節(jié)請參照其Hugging Face倉庫。
圖3：“錄問”知識增強鏈路
3.2.2 其他優(yōu)化方向
除了Embedding部分，“LangChain+LLM”（圖2）鏈路內(nèi)的其他組件也有進一步優(yōu)化的空間：
1. 知識庫細(xì)化
當(dāng)用戶手動選擇分區(qū)后，分區(qū)檢索可以明顯提高召回的精度。
圖4：“錄問”的交互界面
2. 文本切分方式
由于文本重疊（overlap）的大小沒有統(tǒng)一標(biāo)準(zhǔn)，如何保證語義完整和連貫都需要不斷測試。
3. 提示詞的質(zhì)量
在提示詞模板的設(shè)計上要增加明確約束條件的指令，減少大模型出現(xiàn)幻覺現(xiàn)象的幾率。
4. 大模型的選型
選擇基座模型還是微調(diào)后的模型，以及對中文的支持程度的需求都需要結(jié)合下游場景進行判別。
本期文章帶你基于“LangChain+LLM”框架快速搭建了知識增強后的問答機器人--心靈療愈師，并探討了提升模型的內(nèi)容理解和執(zhí)行能力的潛在優(yōu)化方向。下期文章我們將深入解讀目前主流的大模型微調(diào)技術(shù)，敬請期待～
4 參考文獻
[1] LangChain Docs: https://python.langchain.com/docs/modules/
[2] Revolutionizing NLP: Building Advanced Applications with LangChain and LLMs: https://www.linkedin.com/pulse/revolutionizing-nlp-building-advanced-applications-chandan/
[3] Zilliz gitee: https://zilliz.gitee.io/welcome/
[4] GanymedeNil/text2vec-large-chinese: https://huggingface.co/GanymedeNil/text2vec-large-chinese
[5] MTEB Leaderboard: https://huggingface.co/spaces/mteb/leaderboard
[6] 錄問 (wisdomInterrogatory) github: https://github.com/zhihaiLLM/wisdomInterrogatory
