Background

很早就开始做检索增强的大语言模型Agent了，通过外接知识库为LLM提供外部知识能增强它回答的准确性。这里我们使用ElasticSearch作为数据库存储相关知识，使用百度文心千帆的embedding API提供向量嵌入；借助langchain搭建LLM Agent.

需要安装的环境有：

Python, ElasticSearch, langchain, qianfan；后两个直接pip install langchain，pip install qianfan

检索原理

这里可以参考我之前的博客：document-question-answering-bot（文档问答机器人）-CSDN博客

使用里面提到的双塔模型原理完成检索功能。

如何检索？我们抛弃了ElasticSearch中古老的TF-IDF检索方式，也放弃了使用BERT进行文档嵌入；而是全面向大语言模型时代看齐，使用新的模型构建基于语义的搜索引擎。

文本嵌入

现有的很多开源项目使用OpenAI提供的embedding API进行，但是考虑到翻墙，我们放弃了这个做法；也有人使用Huggingface上的模型进行API嵌入，考虑到可能需要本地部署LLM的算力消耗，我们仍没有考虑；出于类似的原因，我们放弃了本地部署LLaMa，Baichuan2等LLM模型进行词嵌入。

本文最后使用百度文心千帆提供的Embedding-V1文本嵌入模型进行，步骤是：

1. 使用该模型需要现在文心千帆控制台注册账户：百度智能云控制台 (baidu.com)
2. 注册账户后，左侧千帆大模型平台-应用接入-创建应用；记住API-KEY和SECRET-KEY。

数据库

需要先安装并启动ElasticSearch数据库，具体教程略

LangChain搜索引擎

langchain是一个大语言模型Agent开发框架，我们在这里使用它读取数据内容并建立索引，完成对前述文本嵌入模型和数据库的调用，搜索引擎构建：

from langchain.document_loaders import PyPDFLoader
from langchain.embeddings import QianfanEmbeddingsEndpoint
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import ElasticVectorSearch
from langchain.chains import RetrievalQA

import os
os.environ['QIANFAN_AK'] = ""
os.environ['QIANFAN_SK'] = ""


loader = PyPDFLoader("2307.10569.pdf")
data = loader.load()
 
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=0)
documents = text_splitter.split_documents(data)
print(len(documents), documents[0])

这里loader中是需要检索的外部知识库，我这里以一个PDF文档为例。如果嵌入的是HTML、TXT等其他类型，只需要调用langchain.documents_loaders里的其他读取方式即可。

使用RecursiveCharacterTextSplitter对文本进行分割；这里设置每200个词语截断成一段话，搜索引擎会为这每一段建立索引。像这里我们把PDF文件分成了98块，显示了第一块的内容，并为此建立了源。

下面这段代码定义了一个嵌入模型及数据库，这一段执行结束之后数据库中就已经存储了相关信息了；程序会输出下面的内容：

embeddings = QianfanEmbeddingsEndpoint()
db = ElasticVectorSearch.from_documents(
    documents,
    embeddings,
    elasticsearch_url="http://localhost:9200",
    index_name="elastic-index",
)
print(db.client.info())

接下来只需要查询：

db = ElasticVectorSearch(
    elasticsearch_url="http://localhost:9200",
    index_name="elastic-index",
    embedding=embeddings,
)

docs_and_scores = db.similarity_search_with_score("What it Aligning?", k=10)
print(docs_and_scores)

"What is Aligning"是我们提出的问题，K=10是搜索引擎按照相似度返回的前10个文档：

可以看到文档内容，文档源等等。在此可以说我们的搜索引擎已经构建完成啦！

Langchain构建检索增强LLM Agent

如果你的目标只是构建一个搜索引擎，那这一部分可以跳过。

如果你是想让一个LLM的机器人能根据检索出的文档内容回答，只需要调用LLM机器人，并把之前返回的文档内容写入prompt中即可完成。这方面可以自己调用API完成，也可以继续使用Langchain框架完成。具体如何调用LLM就不详细介绍啦。

一些参考文档：

同济子豪兄-基于文心大模型的金融知识库问答AI实战 - 飞桨AI Studio星河社区 (baidu.com)

基于langchain+千帆sdk的一个基于文档的QA问答Demo - 百度智能云千帆社区 (baidu.com)

使用 Elasticsearch、OpenAI 和 LangChain 进行语义搜索_Elastic 中国社区官方博客的博客-CSDN博客