1 背景
1.1 微調 vs. 知識庫
由于大模型在垂直行業領域的問答效果仍有待提升，因此，領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域微調（Fine-tuning）和外掛知識庫（Knowledge base）兩種。
1. 領域微調
微調是通過少量特定用例的增量數據對基礎模型進行進一步訓練，改變其神經網絡中的參數權重。微調適用于任務或域定義明確，且有足夠的標記數據的場景，比如風格微調。目前常用的微調方法包括Freeze，P-tuning和LoRA，相關細節會在下期文章中詳細介紹。
然而，微調方法的不足之處在于：
? 高質量訓練數據集的構建，微調訓練所需的算力以及微調模型定期更新等開銷都不容小覷
? 試錯成本較高，特定領域數據一般難以覆蓋模型已學到的參數，且可能會導致模型其他下游任務的表現下降
2. 外掛知識庫
外掛知識庫的本質在于不修改基座模型參數，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。
相對于微調，知識庫的優勢在于：
? 回答精確度更高，基于相關文檔中的最相關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
? 適應性更強，用戶可以通過輕松更新信息源來調整和適配新的領域
但大模型上下文窗口長度的限制和prompt的構造等因素帶來的潛在精度下降也需要納入知識庫構建的考量。
為了打造特定領域（Domain-specific Knowledge）的知識問答系統，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動的用于開發應用程序的框架。
LangChain主要的兩個能力是：
a. Data-aware：將不同數據源接入到語言模型中
b. Agentic：允許語言模型和LangChain環境交互
LangChain的核心模塊包括Models，prompts，Chains，Indexes，Agents等 [1]。對于每一個模塊，LangChain都提供了標準化的可拓展接口。
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據庫（如 Milvus、Pinecone、Chroma等）來優化語義搜索。LangChain能接入的數據類型涵蓋了文本、PPT、圖片、HTML、Pdf等非結構化文件。相較于傳統數據庫的精確搜索，即完全匹配，向量數據庫使用最鄰近（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數據庫和ChatGPT作為示例：
圖2：LangChian + Milvus + ChatGPT pipeline [3]
2 實戰
目前，我們已經拆解完了LangChain+LLM文檔問答的大致鏈路，接下來我們正式進入實戰環節。
2.1 環境搭建
a. 安裝LangChain
確保Python 版本≥ 3.8.1 且 <4.0。
b. 部署LLama 2
關于Llama 2模型的部署，詳情可參見
i. 上期文章“大模型技術實踐（二）｜關于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，也有其他優秀的開源模型可供選擇，如m3e和bge等[5]。
d. 下載數據集
心靈雞湯文本數據集：https://huggingface.co/datasets/soulteary/warm-chicken-soup/
這個數據集是從Google網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. 加載數據集
LangChain對于不同格式的數據源內置了不同的解析腳本，最終這些數據都將轉換為純txt文本格式，以實現文本標準化。
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數，chunk_overlap指定了切分文本塊之間的重疊字數。由于雞湯引用文本總長度較短，且文本內部語義關聯度高，所以這里的chunk_size設置為50，chunk_overlap設置為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據庫中。向量數據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，我就能根據構建好的向量數據庫召回對應文本片段。
a. 向量化召回
FAISS默認使用L2（歐式距離），召回的文檔按照相似度結果從大到小排序。
b. 設置提示詞模板
以下是Llama 2默認的提示詞模板
我們可以參考上面的模板，根據場景定制化自己的模板來拼接query和召回結果
2.5 推理示例
我們對LLM的參數進行設置，例如最大令牌（max_new_tokens）、最高k值（top_k）、溫度（temperature）和重復懲罰（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）和增加召回數量（top_k），但這不免會引入無關的知識點噪聲且增加和LLM交互的token開銷。
3.2 效果優化方向
3.2.1 意圖識別和召回優化
提升問答系統的精度可以從意圖識別和召回優化兩個角度考慮，且兩者都可以用關鍵詞表示，即從直接將用戶query和知識點進行embedding轉變為對兩者提取關鍵詞后再進行匹配。意圖識別可以通過關鍵詞提取（Information Extraction, IE）和槽位填充（Slot Filling，SF）實現。：
1. 關鍵詞提取
a. 面向query——槽位填充
利用LLM思維鏈（Chain-of-Thought，COT）的提示能力來引導用戶多輪對話并進行信息總結。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. 將知識庫轉化為以關系三元組為核心的知識圖譜。三元組的抽取除了傳統的命名實體識別（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時代的垂直領域問答系統，我們可以將語義檢索和傳統的Elasticsearch（ES）關鍵詞搜索并行，對兩者進行加權打分投票來獲取最終的top_k。
目前類似于以上優化思路已經落地的有“智海-錄問”法律大模型 [6]，其基座模型為Baichuan-7B。智海-錄問知識增強的完整鏈路如圖3。值得注意的是，智海-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是知識點的內容簡介，用于檢索；value是知識點的具體內容，用于模型輸入。實現細節請參照其Hugging Face倉庫。
圖3：“智海-錄問”知識增強鏈路
3.2.2 其他優化方向
除了Embedding部分，“LangChain+LLM”（圖2）鏈路內的其他組件也有進一步優化的空間：
1. 知識庫細化
當用戶手動選擇分區后，分區檢索可以明顯提高召回的精度。
圖4：“智海-錄問”的交互界面
2. 文本切分方式
由于文本重疊（overlap）的大小沒有統一標準，如何保證語義完整和連貫都需要不斷測試。
3. 提示詞的質量
在提示詞模板的設計上要增加明確約束條件的指令，減少大模型出現幻覺現象的幾率。
4. 大模型的選型
選擇基座模型還是微調后的模型，以及對中文的支持程度的需求都需要結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容理解和執行能力的潛在優化方向。下期文章我們將深入解讀目前主流的大模型微調技術，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] 智海-錄問 (wisdomInterrogatory) github: https://github.com/zhihaiLLM/wisdomInterrogatory
