|
|
|
|
@ -1,18 +1,5 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
**向量化模型**:
|
|
|
|
|
|
|
|
|
|
- SentenceModel('shibing624/text2vec-base-chinese')，专为中文文本设计的句子嵌入模型，用于将查询和文档转化为向量表示。
|
|
|
|
|
|
|
|
|
|
```sh
|
|
|
|
|
# 下载地址
|
|
|
|
|
https://huggingface.co/shibing624/text2vec-base-chinese
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
上述架构图展示了一个垂直的层次结构，描述了系统的核心组件及其连接关系，自上而下解读如下：
|
|
|
|
|
@ -55,104 +42,3 @@
|
|
|
|
|
Gradio 提供友好界面，FSCrawler 确保数据摄取的自动化，而公网接口则扩展了系统的应用场景。
|
|
|
|
|
|
|
|
|
|
检索增强生成（RAG）简单来说就是**先从一大堆文档中找到跟用户问题相关的内容，然后用大语言模型把这些内容整理成自然、易懂的回答**。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
### 4. 知识库智能问答系统代码解读
|
|
|
|
|
|
|
|
|
|
以下是实现该系统的一般步骤与代码思路，具体代码放到[死磕Elasticsearch知识星球](https://jishuzhan.net/article/1898217914180947969)。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 4.1 文档摄取
|
|
|
|
|
|
|
|
|
|
使用 FSCrawler 扫描本地文件并索引到 Elasticsearch：
|
|
|
|
|
|
|
|
|
|
```sh
|
|
|
|
|
fscrawler --config_dir /path/to/config job_name
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
配置文件需指定文档路径和 Elasticsearch 索引名称。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 4.2 向量化
|
|
|
|
|
|
|
|
|
|
利用 `shibing624/text2vec-base-chinese` 对文档和查询进行[向量化](https://jishuzhan.net/article/1898217914180947969)：
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
from text2vec import SentenceModel
|
|
|
|
|
model = SentenceModel('shibing624/text2vec-base-chinese')
|
|
|
|
|
|
|
|
|
|
# 文档向量化并存入 Elasticsearch
|
|
|
|
|
for doc in documents:
|
|
|
|
|
vector = model.encode(doc['text'])
|
|
|
|
|
es.index(index='knowledge_base', body={'text': doc['text'], 'vector': vector})
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
#### 4.3 查询处理与检索
|
|
|
|
|
|
|
|
|
|
将用户查询向量化并在 Elasticsearch 中执行相似性搜索，这里本质做的是关键词匹配+向量检索的组合方式。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 4.4 回答生成
|
|
|
|
|
|
|
|
|
|
将查询和检索结果传递给 Qwen2.5-14b 生成回答：
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
from ollama import Client
|
|
|
|
|
ollama = Client()
|
|
|
|
|
context = "\n".join([doc['_source']['text'] for doc in results['hits']['hits']])
|
|
|
|
|
prompt = f"根据以下内容回答问题：\n{context}\n问题：{query}"
|
|
|
|
|
response = ollama.generate(model='qwen2.5:14b', prompt=prompt)
|
|
|
|
|
answer = response['text']
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### 4.5 Gradio 界面
|
|
|
|
|
|
|
|
|
|
通过 Gradio 实现交互：
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
import gradio as gr
|
|
|
|
|
def qa_system(query):
|
|
|
|
|
# 查询处理、检索、生成逻辑
|
|
|
|
|
return answer
|
|
|
|
|
interface = gr.Interface(fn=qa_system, inputs="text", outputs="text")
|
|
|
|
|
interface.launch()
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
上述步骤展示了从数据摄取到回答生成的完整流程，体现了系统的模块化设计。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
### 5. 知识库智能问答系统待改进和展望
|
|
|
|
|
|
|
|
|
|
为进一步提升系统性能与用户体验，可考虑以下改进方向：
|
|
|
|
|
|
|
|
|
|
- **模型优化**:
|
|
|
|
|
- 对 Qwen2.5-14b 进行领域特定微调，提升对知识库内容的理解能力。
|
|
|
|
|
- 换成 DeepSeek 模型做对比。
|
|
|
|
|
- **向量化改进**:
|
|
|
|
|
- 尝试其他中文嵌入模型或微调 `text2vec`，提高向量表示的语义准确性。
|
|
|
|
|
- **文章切分力度**:
|
|
|
|
|
- 当前大家看到一章内容一个文档，效果可以。
|
|
|
|
|
- 但如果更细化为一小节内容一个文档导入 Elasticsearch，是不是更好呢？都有待进一步验证！
|
|
|
|
|
|
|
|
|
|
------
|
|
|
|
|
|
|
|
|
|
### 结语
|
|
|
|
|
|
|
|
|
|
基于 Qwen2.5-14b 与 Elasticsearch 的大数据知识库智能问答系统，通过向量检索与生成式 AI 的检索增强 RAG 结合，为用户提供了高效、精准的信息获取途径。
|
|
|
|
|
|
|
|
|
|
无论是技术架构的清晰性，还是实测效果的可靠性，该系统都展现了检索增强RAG 在知识管理领域的巨大潜力。
|
|
|
|
|
|
|
|
|
|
视频讲解地址：https://t.zsxq.com/E1toS
|
|
|
|
|
|
