RAG系统项目介绍

基于企业私有数据搭建RAG系统

学习目标

• 了解项目开发背景
• 掌握融合本地知识的RAG系统实现过程

---

1 背景介绍

近年来，随着ChatGPT的广泛应用，基于大规模语言模型（LLM）的技术已成为人工智能领域的研究和应用热点。尤其是大模型在各类自然语言处理任务中的成功应用，推动了教育行业的智能化转型。然而，当前市面上大多数大语言模型存在一个普遍的问题：这些模型主要依赖于过往的训练数据，无法动态获取最新的知识以及各企业特有的私有知识。这种局限性常常导致生成答案时出现“幻觉”问题，即模型提供的答案与实际情况不符或不准确。

为了有效解决这一问题，企业普遍采用了以下两种主要手段：

1. 基于企业私有知识的垂直领域微调：通过将企业领域的特定知识融合到大模型中，进行微调，使得模型能够更好地服务于垂直行业的专业需求。
2. 基于企业私有知识的RAG（Retrieval-Augmented Generation）问答系统：通过构建基于检索的问答框架，结合企业私有知识库，实现更为精准且动态更新的知识问答服务，从而减少幻觉问题的发生。

---

在此背景下，某在线教育平台通过采用**LangChain**和**Qwen大模型**，构建了一套智能化的学科在线答疑系统。该系统基于RAG架构，能够通过实时检索相关知识库中的信息来增强大模型的生成能力，确保回答的准确性和时效性。与此同时，系统通过自动化处理学生的答疑需求，极大地减轻了人工客服的工作压力，从而实现了高效、低成本的知识服务。

本课程将基于此RAG架构，带领学员深入了解如何使用LangChain和Qwen2.5-7B-Instruct大模型构建一个基于本地知识库的问答系统，解决企业在实际应用中的挑战，并展示这一系统在教育领域中的广泛应用潜力。

---

2 RAG原理

RAG的基本原理：

---

3 项目流程

（AI）学科在线答疑系统RAG主要步骤：

• 第一步：将现有后台搜集的FQA数据集存储到Mysql数据库中
• 第二步：基于query实现Mysql数据库检索：将query和现有问题匹配（做相似度计算），如果阈值>=0.85，就认为问题比较明确，直接返回对应的答案；否则，进入RAG检索系统
• 第三步：搭建本地知识库：对本地文档加载读取；进行文档分割；文档向量化；存储向量数据库（Milvus）
• 第四步：基于query实现Milvus数据库检索：将query进行向量表示，并从Milvus数据库中检索出相似的top-k个文本段。
• 第五步：将query和检索出的top-k文本段拼接，送入大模型，实现预测。

4 项目结构

integrated_qa_system/
├── config.ini                     # 配置文件，包含所有模块的配置
├── base/
│   ├── config.py              # 配置管理，加载 config.ini
│   ├── logger.py              # 日志设置
├── rag_qa/
│   ├── core/
│   │   ├── prompts.py         # RAG 提示模板
│   │   ├── query_classifier.py # 查询分类器
│   │   ├── strategy_selector.py # 检索策略选择器
│   │   ├── vector_store.py    # 向量存储与检索
│   │   ├── rag_system.py      # RAG 系统核心逻辑
│   ├── main.py                # RAG 系统独立入口，支持存储和查询
├── mysql_qa/
│   ├── db/
│   │   ├── mysql_client.py    # MySQL 数据库操作
│   ├── cache/
│   │   ├── redis_client.py    # Redis 缓存操作
│   ├── retrieval/
│   │   ├── bm25_search.py     # BM25 搜索
│   ├── utils/
│   │   ├── preprocess.py      # 文本预处理
│   ├── main.py                # MySQL 系统独立入口，支持查询
├── main.py                    # 集成系统入口，结合 RAG 和 MySQL
├── requirements.txt           # 依赖文件
└── logs/
    └── app.log                # 日志文件

依赖文件 (requirements.txt)

# Web框架
fastapi
uvicorn[standard]
websockets

# 数据库连接
pymysql
redis

# 向量检索
rank_bm25
numpy
jieba
pandas
transformers
torch
langchain
langchain_community
sentence_transformers
pymilvus

# AI模型
openai

# 配置和工具
configparser
locust
websocket-client

# 其他依赖
pydantic
starlette

5 环境配置

5.1 安装依赖

• 首先，确保你的机器安装了Python3.10及其以上版本

# 终端查看python的版本
python --version

• 紧接着安装项目的依赖

# 安装全部依赖
pip install -r requirements.txt

---

5.2 工具的介绍

Ollama: 一个开源的大型语言模型服务工具，它帮助用户快速在本地运行大模型。

LangChain: 为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度，方便开发者快速地开发复杂的LLMs应用。

Milvus: 一个开源向量数据库,帮助我们实现向量数据的存储和检索。

上述三种工具，我们将分别以独立的章节进行介绍

章节总结

本章节主要介绍了基于企业私有知识搭建智能问答系统的基本流程；并对接下来的项目实现进行环境配置工作。