Elasticsearch：聊天机器人教程（一）

在本教程中，你将构建一个大型语言模型 (LLM) 聊天机器人，该机器人使用称为检索增强生成 (RAG) 的模式。

使用 RAG 构建的聊天机器人可以克服 ChatGPT 等通用会话模型所具有的一些限制。特别是，他们能够讨论和回答以下问题：

你的组织私有的信息
不属于训练数据集的事件，或者 LLM 完成训练后发生的事件

作为一个额外的好处，RAG 可以帮助 LLM 以事实为 "基础"，使他们不太可能做出回应或 "产生幻觉"。

实现这一目标的秘诀是使用两步过程从 LLM 获得答案：

首先在检索阶段，针对用户的查询搜索一个或多个数据源。检索在此搜索中找到的相关文档。为此，使用 Elasticsearch 索引是一个很好的选择，使你能够在关键字、密集和稀疏向量搜索方法，甚至它们的混合组合之间进行选择。
然后在生成阶段，用户的提示被扩展为包括第一阶段检索到的文档，并添加了对 LLM 的指令，以在检索到的信息中找到用户问题的答案。扩展提示（包括问题的添加上下文）将代替原始查询发送到 LLM。

教程结构

本教程分为两个主要部分。

在第一部分中，您将学习如何运行 Chatbot RAG 应用程序示例，这是一个具有 Python 后端和 React 前端的完整应用程序。
一旦你启动并运行了示例应用程序，本教程的第二部分将解释 RAG 实现的不同组件，以便你可以根据自己的需要调整示例代码。

要求

要学习本教程，你需要安装以下组件：

1）Elasticsearch 及 Kibana

有关安装说明，请参阅如下的文章：

在安装的时候，请选择 Elastic Stack 8.x 进行安装。在安装的时候，我们可以看到如下的安装信息：

在下面的展示中，我将使用 Elastic Stack 8.11 来进行展示。

2）OpenAI 的 API 密钥 。实际上，你可以使用你喜欢的任何其他 LLM，只要它受到 Langchain 项目的支持即可。

3）Python 解释器。确保它是最新版本，例如 Python 3.8 或更高版本。

4）Node.js 和 Yarn。

本教程重点介绍 RAG 主题。为了能够修改示例应用程序，你将需要以下技术的基本知识：

使用 Flask 进行 Python 后端开发。
使用 React 进行 TypeScript 前端开发。

整个项目的完整代码在如下地址可以进行下载：

bash 复制代码

1.  git clone https://github.com/liu-xiao-guo/elasticsearch-labs
2.  cd elasticsearch-labs/example-apps/chatbot-rag-app

聊天机器人示例位于 example-apps/chatbot-rag-app 子目录中。

markdown 复制代码

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs
3.  $ ls
4.  CONTRIBUTING.md         bin                     supporting-blog-content
5.  LICENSE                 datasets                test
6.  Makefile                example-apps
7.  README.md               notebooks
8.  $ cd example-apps
9.  $ ls
10.  README.md                 openai-embeddings         workplace-search
11.  chatbot-rag-app           relevance-workbench
12.  internal-knowledge-search search-tutorial
13.  $ cd chatbot-rag-app/
14.  $ ls
15.  Dockerfile       api              data             frontend         requirements.txt
16.  README.md        app-demo.gif     env.example      requirements.in

Python 后端

在本节中，我们将设置和配置项目的后端部分。

安装 Python 依赖项

为了遵循 Python 最佳实践，你现在将创建一个虚拟环境，这是专用于该项目的私有 Python 安装，可以在其中安装所有依赖项。使用以下命令执行此操作：

复制代码

python3 -m venv .venv

markdown 复制代码

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app
3.  $ python3 -m venv .venv

此命令在 .venv (dot-venv) 目录中创建 Python 虚拟环境。你可以将此命令中的 .venv 替换为你喜欢的任何其他名称。请注意，在某些 Python 安装中，你可能需要使用 python 而不是 python3 来调用 Python 解释器。

下一步是激活虚拟环境，这是使该虚拟环境成为你所在终端会话的活动 Python 环境的一种方法。如果你使用的是基于 UNIX 的操作系统（例如 Linux 或 macOS），请激活虚拟环境如下：

bash 复制代码

source .venv/bin/activate

markdown 复制代码

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app
3.  $ python3 -m venv .venv
4.  $ source .venv/bin/activate
5.  (.venv) $

如果你在 Microsoft Windows 计算机上的 WSL 环境中工作，上述激活命令也适用。但如果你使用的是 Windows 命令提示符或 PowerShell，激活命令会有所不同：

复制代码

.venv\Scripts\activate

激活虚拟环境后，命令行提示符将更改为显示环境名称：

ruby 复制代码

(.venv) $ _

配置 Python 环境的最后一步是安装入门应用程序所需的一些包。确保上一步中已激活虚拟环境，然后运行以下命令安装这些依赖项：

复制代码

pip install -r requirements.txt

编写配置文件

在上一节中下载的代码的主目录中有一个名为 env.example 的文件。该文件包含应用程序支持的所有配置变量。

复制该文件，并将其命名为 .env：

bash 复制代码

cp env.example .env

markdown 复制代码

1.  (.venv) $ ls -al
2.  total 920
3.  drwxr-xr-x  14 liuxg  staff     448 Jan 15 09:25 .
4.  drwxr-xr-x   9 liuxg  staff     288 Jan 15 09:21 ..
5.  -rw-r--r--   1 liuxg  staff      55 Jan 15 09:21 .flaskenv
6.  -rw-r--r--   1 liuxg  staff      82 Jan 15 09:21 .gitignore
7.  drwxr-xr-x   6 liuxg  staff     192 Jan 15 09:25 .venv
8.  -rw-r--r--   1 liuxg  staff     807 Jan 15 09:21 Dockerfile
9.  -rw-r--r--   1 liuxg  staff    6085 Jan 15 09:21 README.md
10.  drwxr-xr-x   7 liuxg  staff     224 Jan 15 09:21 api
11.  -rw-r--r--   1 liuxg  staff  430277 Jan 15 09:21 app-demo.gif
12.  drwxr-xr-x   4 liuxg  staff     128 Jan 15 09:21 data
13.  -rw-r--r--   1 liuxg  staff     860 Jan 15 09:21 env.example
14.  drwxr-xr-x   9 liuxg  staff     288 Jan 15 09:21 frontend
15.  -rw-r--r--   1 liuxg  staff     315 Jan 15 09:21 requirements.in
16.  -rw-r--r--   1 liuxg  staff    5259 Jan 15 09:21 requirements.txt
17.  (.venv) $ cp env.example .env
18.  (.venv) $ ls .env
19.  .env

如果您在 Windows 上学习本教程，请在上面的命令中使用 copy 而不是 cp。

在你喜欢的文本编辑器中打开 .env 以查看应用程序配置，并查看以下小节以获取有关如何配置应用程序的指导。

Elasticsearch 设置

我们在 .env 中设置如下的变量：

.env

ini 复制代码

1.  ELASTICSEARCH_URL=https://elastic:yarOjyX5CLqTsKVE3v*d@192.168.0.3:9200
2.  ES_INDEX=workplace-app-docs
3.  ES_INDEX_CHAT_HISTORY=workplace-app-docs-chat-history
4.  LLM_TYPE=openai
5.  OPENAI_API_KEY=YourOpenAiKey

在上面，你必须根据自己的 Elasticsearch 安装修改上面的 ELASTICSEARCH_URL 值。你还需要修改上面的 OPENAI_API_KEY 值。你需要在 OpenAI 的网站中申请开发者 key。你可以在地址 platform.openai.com/api-keys 进行申请。

为了能够让 Python 连接到 Elasticsearch，我们必须把 Elasticsearch 的证书拷贝到当前的目录下：

bash 复制代码

1.  (.venv) $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app/api
3.  (.venv) $ cp ~/elastic/elasticsearch-8.11.0/config/certs/http_ca.crt .
4.  (.venv) $ ls http_ca.crt 
5.  http_ca.crt

另外，在 github 上的代码是为在 docker 的环境下运行二准备的，我们必须修改其中的一个部分以使得它正常运行：

api/elasticsearch_client.py

ini 复制代码

1.  if ELASTICSEARCH_URL:
2.      elasticsearch_client = Elasticsearch(
3.          hosts=[ELASTICSEARCH_URL], 
4.          ca_certs = ./http_ca.crt, 
5.          verify_certs = True
6.      )

data/index_data.py

ini 复制代码

1.  if ELASTICSEARCH_URL:
2.      elasticsearch_client = Elasticsearch(
3.          hosts=[ELASTICSEARCH_URL], 
4.          ca_certs = "./http_ca.crt", 
5.          verify_certs = True
6.      )

写入示例数据集

该应用程序附带一个示例数据集，存储在 data/data.json 文件中。请随意在文本编辑器中打开此文件，以熟悉其中包含的文档。

使用以下命令将数据集导入应用程序：

lua 复制代码

flask create-index

markdown 复制代码

1.  (.venv) $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app
3.  (.venv) $ flask create-index
4.  ".elser_model_2" model is available
5.  Loading data from $/Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app/api/../data/data.json
6.  Loaded 15 documents
7.  Split 15 documents into 26 chunks
8.  Creating Elasticsearch sparse vector store in Elastic Cloud:

等上面的命令运行完毕后，我们到 Kibana 中进行查看：

启动后端

完成上述所有步骤后，你应该能够使用以下命令启动 Python 后端：

arduino 复制代码

flask run

保持后端运行并打开一个新的终端会话以继续本教程的其余部分。

React 前端

在本部分中，你将启动聊天机器人的前端。

安装依赖项

前端位于项目的 frontend 子目录中，因此请继续更改为：

bash 复制代码

cd frontend

bash 复制代码

1.  $ pwd
2.  /Users/liuxg/python/elasticsearch-labs/example-apps/chatbot-rag-app
3.  $ cd frontend/

运行 yarn 命令安装所有前端依赖项：

复制代码

yarn

运行前端

使用以下命令启动前端：

sql 复制代码

yarn start

几秒钟后，你的浏览器应该打开该应用程序。

使用应用程序

现在，你可以通过单击 common questions 中的一个或输入你自己的问题来向聊天机器人询问任何问题。

聊天机器人的响应将来自导入的数据集，每个响应将引用检索到的文档以及使用特定文档的文档。

一定要尝试提出后续问题，这些问题应该 "记住" 会话之前讨论的内容。

本教程的其余部分将讨论该应用程序的一些实现细节，以便你可以根据需要进行更改、试验和调整代码。请关注我们的下一个部分！