基于本地知识库的问答
1、简介
（1）ChatGLM2-6B
ChatGLM2-6B是一个开源的、支持中英双语的对话语言模型，基于General Language Model (GLM)架构。
ChatGLM2-6B具备的能力：
- 自我认知："介绍一下你的优点"
- 提纲写作："帮我写一个介绍ChatGLM的博客提纲"
- 文案写作："写10条热评文案"
- 信息抽取：'从上述信息中抽取人、时间、事件'
大语言模型通常基于通识知识进行训练，因此在面向如下场景时，常常需要借助模型微调或提示词工程提升语言模型应用效果:
- 垂直领域知识
- 基于私有数据的问答
（2）LangChain
LangChain是一个用于开发由语言模型驱动的应用程序的框架。
主要功能：
- 调用语言模型
- 将不同数据源接入到语言模型的交互中
- 允许语言模型与运行环境交互
LangChain中提供的模块
- Modules:支持的模型类型和集成。
- Prompt:提示词管理、优化和序列化。
- Memory:内存是指在链/代理调用之间持续存在的状态。
- Indexes:当语言模型与特定于应用程序的数据相结合时，会变得更加强大-此模块包含用于加载、查询和更新外部数据的接口和集成。
- Chain:链是结构化的调用序列(对LLM或其他实用程序)。
- Agents:代理是一个链，其中LLM在给定高级指令和一组工具的情况下，反复决定操作，执行操作并观察结果，直到高级指令完成。
- Callbacks:回调允许您记录和流式传输任何链的中间步骤，从而轻松观察、调试和评估应用程序的内部。
LangChain的运用场景：
- 文档问答
- 个人助理
- 查询表格数据
- 与API交互
- 信息提取
- 文档总结
（3）基于单一文档问答的实现原理
1、加载本地文档：读取本地文档加载为文本
2、文本拆分：将文本按照字符、长度或语义进行拆分
3、根据提问匹配文本：根据用户提问对文本进行字符匹配或语义检索
4、构建Prompt：将匹配文本、用户提问加入Prompt模板
5、LLM生成回答：将Pronpt发送给LLM获得基于文档内容的回答
（4）大规模语言模型系列技术：以GLM-130B为例
- 自编码模型BERT：双向注意力，文本理解
- 自回归模型GPT：单向注意力，长文本生成
- 编码器-解码器模型T5：编解码，对话任务
GLM本质是类似一个自回归填空的过程
（5）新建知识库
新建知识库的过程相当于在本地新建一个路径，因此不支持路径当中存在中文。但是知识库的文件可以使用中文名称。
1、上传文件：将文件上传到知识库当中，这个过程相当于将文件加载成文本并进行向量化的过程。
（6）效果优化方向
1、模型微调：对llm和embedding基于专业领域数据进行微调。
2、文档加工：在文本分段后，对每段分别进行总结，基于总结内容语义进行匹配。
3、借助不同的模型能力：在text2sql、text2cpyher场景下需要产生代码时，可借助不同模型能力。
2、ChatGLM2-6B本地安装与部署
视频教程：视频教程：----->ChatGLM2-6B本地安装与部署-视频教程
注意 ：chatglm2-6b相比于chatglm-6b在性能上提升了不少。在选择本地部署的时候，我查看到自己显卡只有512M，无法满足部署需要的24G显卡的要求。（注：查看显卡多大可以安装一个lu大师），因此我选择在某宝上租用了一个24G的GPU。
部署步骤如下：
1、根据视频上面的，先下载懒人安装包：懒人包一键部署
2、将chatglm.zip安装包解压缩之后放在ChatGLM2-6B文件夹下面
3、创建一个叫VisualGLM-6B的文件夹，在此文件夹里面再创建一个叫cache的文件夹
4、配置缓存文件
5、之后点击一键启动，启动项目
最终即可跳转到UI界面：
注：如果要自己部署请确保pytorch是2.0.1