使用Langchain生成本地rag知识库并搭载大模型

准备设备： 手机+aidlux2.0个人版

一、下载依赖

pip install langchain langchain-community faiss-cpu pypdf

二、安装ollama并下载模型

curl -fsSL https://ollama.com/install.sh | sh #需要科学上网
ollama serve & #让ollama服务在后台运行

安装完毕可以查看ollama版本进行验证，出现版本号之后就可以使用ollama

ollama -v

考虑性能因素，选择下载较小的模型

ollama pull phi3:mini 
ollama pull all-minilm

三、构建rag知识库

1. 打开手机上的aidlux应用，打开Cloud_ip查看网络ip，输入ip到浏览器+端口号:8000访问
   输入以下命令：

cd ~
touch build_knowledge_base.py

2. 在文件浏览器中/home/aidlux 下找到对应py文件并打开
   
3. 自行准备一个知识库文本（txt或pdf），将文本的路径填入脚本中
   
4. 写入以下脚本内容

from langchain_community.document_loaders import PyPDFLoader, TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import FAISS
import os

# 1. 设置环境变量优化 Ollama 性能
os.environ["OLLAMA_NUM_THREADS"] = "8"  # 设置线程数
os.environ["OLLAMA_NUM_CTX"] = "2048"   # 设置上下文长度

# 2. 配置嵌入模型 - 移除无效参数
embeddings = OllamaEmbeddings(
    model="all-minilm"  # 仅保留必要参数
)

# 3. 加载文档
def load_documents(file_path):
    if file_path.endswith(".pdf"):
        loader = PyPDFLoader(file_path)
        print(f"加载 PDF 文档: {file_path}")
    elif file_path.endswith(".txt"):
        loader = TextLoader(file_path)
        print(f"加载文本文档: {file_path}")
    else:
        raise ValueError(f"不支持的文档格式: {file_path}")
    return loader.load()

# 4. 文本分割
def split_documents(docs):
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=500,
        chunk_overlap=80,
        separators=["\n\n", "\n", "。", "！", "？", "；"]
    )
    return text_splitter.split_documents(docs)

# 5. 主函数
def main():
    # 示例文档 - 修改为您的文件路径
    document_path = "knowledge.txt"
    
    # 加载和分割文档
    print("开始处理文档...")
    documents = load_documents(document_path)
    chunks = split_documents(documents)
    print(f"文档分割完成: 共 {len(chunks)} 个文本块")
    
    # 创建向量存储
    print("开始生成嵌入向量...")
    vector_store = FAISS.from_documents(
        documents=chunks,
        embedding=embeddings
    )
    
    # 保存知识库索引
    save_path = "my_knowledge_base"
    vector_store.save_local(save_path)
    print(f"知识库构建完成! 保存到: {save_path}")
    print(f"向量库大小: {len(vector_store.index_to_docstore_id)} 个向量")

if __name__ == "__main__":
    main()

5. 运行脚本

python3 build_knowledge_base.py

四、创建 RAG 问答系统

1. 创建一个脚本

touch rag_query.py

2. 用文件浏览器的方式写入以下内容

from langchain_community.llms import Ollama
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
import os
import time
import sys
import select

# 1. 通过环境变量设置优化参数
os.environ["OLLAMA_NUM_THREADS"] = "8"  # 设置线程数
os.environ["OLLAMA_NUM_CTX"] = "2048"   # 设置上下文长度

# 2. 初始化模型
llm = Ollama(
    model="phi3:mini",        # 轻量级语言模型
    temperature=0.3,           # 平衡创造性和准确性
    timeout=120.0              # 设置超时时间
	)

embeddings = OllamaEmbeddings(model="all-minilm")

# 3. 加载知识库
try:
    vector_store = FAISS.load_local(
        "my_knowledge_base", 
        embeddings, 
        allow_dangerous_deserialization=True
    )
    retriever = vector_store.as_retriever(search_kwargs={"k": 3})
    print("知识库加载成功")
except Exception as e:
    print(f"加载知识库失败: {str(e)}")
    print("请确保已运行 build_knowledge_base.py 构建知识库")
    exit(1)

# 4. 定义提示模板
template = """你是一个专业的知识库助手，请基于以下上下文回答问题。
如果不知道答案，请说"我不知道"，不要编造答案。

上下文：
{context}

问题：{question}

请用中文给出详细回答："""
prompt = ChatPromptTemplate.from_template(template)

# 5. 构建 RAG 链
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 6. 格式化文档显示
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

# 7. 改进的输入函数（解决输入卡住问题）
def get_user_input(prompt, timeout=60):
    print(prompt, end='', flush=True)
    
    # 使用 select 检测输入可用性
    if select.select([sys.stdin], [], [], timeout)[0]:
        return sys.stdin.readline().strip()
    return None

# 8. 交互式问答
print("知识库问答系统已启动（输入 'exit' 退出）")
while True:
    try:
        # 使用改进的输入函数
        query = get_user_input("\n你的问题：")
        
        if query is None:
            print("\n输入超时，请重新输入...")
            continue
            
        if query.lower() == "exit":
            break
        
        start_time = time.time()
        
        # 显示检索到的参考内容
        relevant_docs = retriever.invoke(query)
        print("\n[检索到的参考内容]")
        for i, doc in enumerate(relevant_docs[:2]):  # 显示前2个相关片段
            print(f"\n片段 {i+1}:\n{doc.page_content[:200]}...")
        
        # 生成答案
        response = rag_chain.invoke(query)
        
        end_time = time.time()
        
        print(f"\n[答案] (耗时：{end_time - start_time:.2f}秒)")
        print(response)
        
        # 确保输出缓冲区刷新
        sys.stdout.flush()
        
    except KeyboardInterrupt:
        print("\n退出系统...")
        break
    except Exception as e:
        print(f"处理问题时出错: {str(e)}")
        print("请尝试简化问题或稍后重试")
        # 清除可能的输入缓冲区残留
        sys.stdin.readline()

五、测试验证

python3 rag_query.py

根据提示词输入