背景

ChatGPT火了后，各種大語言模型（LLM）模型相繼被發(fā)布，完全開源的有ChatGLM、BLOOM、LLaMA等。但是這些模型學(xué)到的知識(shí)是滯后的（比如ChatGPT的知識(shí)是截止到2021年），并且這些知識(shí)是通用領(lǐng)域的。

在實(shí)際應(yīng)用場(chǎng)景中，除閑聊機(jī)器人外，大多數(shù)機(jī)器人是為了完成特定任務(wù)的。比如數(shù)字人虛擬主播、某公司的智能客服等都需要圍繞具體的業(yè)務(wù)來進(jìn)行問答。如何將具體業(yè)務(wù)知識(shí)融合到大語言模型里，是問答機(jī)器人落地應(yīng)用需要考慮的一個(gè)重要問題。

一、langchain-ChatGLM簡(jiǎn)介

langchain-ChatGLM是一個(gè)基于本地知識(shí)的問答機(jī)器人，使用者可以自由配置本地知識(shí)，用戶問題的答案也是基于本地知識(shí)生成的。github鏈接為：GitHub - imClumsyPanda/langchain-ChatGLM: langchain-ChatGLM, local knowledge based ChatGLM with langchain ｜ 基于本地知識(shí)的 ChatGLM 問答。

二、以淘寶衣服為例，測(cè)試問答效果

以淘寶衣服屬性構(gòu)建本地知識(shí)，測(cè)試問答效果。將淘寶鏈接為https://detail.tmall.com/item.htm?abbucket=6&id=656544342321&ns=1&spm=a230r.1.14.48.b3f84f64A9YLJ0的"寶貝詳情"和"尺碼推薦"整理成《local_knowledge_clothing_describe.txt》，內(nèi)容如下：

身高：160-170cm， 體重：90-115斤，建議尺碼M。
身高：165-175cm， 體重：115-135斤，建議尺碼L。
身高：170-178cm， 體重：130-150斤，建議尺碼XL。
身高：175-182cm， 體重：145-165斤，建議尺碼2XL。
身高：178-185cm， 體重：160-180斤，建議尺碼3XL。
身高：180-190cm， 體重：180-210斤，建議尺碼4XL。
身高：180-195cm， 體重：210-230斤，建議尺碼5XL。
面料分類：滌綸
圖案：幾何圖案
領(lǐng)型：連帽
衣門襟：拉鏈
顏色：黑色302春秋款（斜插口袋） 深灰色302春秋款（斜插口袋） 藍(lán)色302春秋款（斜插口袋） 米色302春秋款（斜插口袋） 黑色303春秋款（工裝口袋） 深灰色303春秋款（工裝口袋） 藍(lán)色303春秋款（工裝口袋） 黑色303（冬季棉衣款加棉加厚） 深灰色303（冬季棉衣款加棉加厚） 藍(lán)色303（冬季棉衣款加棉加厚） 黑色302（冬季棉衣款加棉加厚） 米色302（冬季棉衣款加棉加厚） 黑色303春秋款+黑色302春秋款 深灰色303春秋款+黑色302春秋款
袖型：收口袖
適用季節(jié)：春秋
袖長(zhǎng)：長(zhǎng)袖
厚?。撼Ｒ?guī)
適用場(chǎng)景：其他休閑
衣長(zhǎng)：常規(guī)款
版型：寬松型
款式細(xì)節(jié)：假兩件
工藝處理：涂層
適用對(duì)象：青少年
面料功能：防風(fēng)
穿搭方式：外穿
材質(zhì)成分：聚酯纖維100% 

加載《local_knowledge_clothing_describe.txt》作為本地知識(shí)，問答效果如下所示：

用戶：身高173，體重144斤，選什么尺寸客服: 您的身高為173厘米，體重為144斤，建議選擇尺碼為XL。這個(gè)尺寸適用于身高在170-178厘米之間，體重在130-150斤之間的人。選擇XL尺寸可以確保衣服能夠合適地遮蓋住身體，同時(shí)不會(huì)過小或過大，確保穿著舒適。用戶：衣服是什么材質(zhì)客服: 衣服的材質(zhì)成分為聚酯纖維100%

從測(cè)試的問答效果上來看，滿足了基本的要求，具體情況仍需要更多的實(shí)測(cè)結(jié)果來說明。

三、langchain-ChatGLM的原理

先上圖，langchain-ChatGLM的架構(gòu)如下圖所示：

圖1、langchain-ChatGLM的架構(gòu)

3.1、從本地知識(shí)中獲取與用戶query相關(guān)的context

通過Faiss搜索得到與query_embedding關(guān)系最緊密的Top K個(gè)Document，將這些Document的內(nèi)容按換行符拼起來作為query的context。舉例說明如下圖所示：

圖2、通過Faiss搜索得到query相關(guān)的context

3.2、用query和context填充模版得到prompt

模版示例如下，可根據(jù)問答效果自行修改

prompt_template = """基于以下已知信息，簡(jiǎn)潔和專業(yè)的來回答用戶的問題。不允許在答案中添加編造成分。
    已知內(nèi)容:
    {context}
    問題:
    {query}"""

將context和query填充到模版得到的prompt，加它輸入給ChatGLM-6B就能生成response。

四、langchain-ChatGLM使用中

五、問答需要優(yōu)化的環(huán)節(jié)

個(gè)人認(rèn)為langchain-ChatGLM是一種使用本地知識(shí)進(jìn)行問答的框架，它的實(shí)際問答效果與下面兩個(gè)問題相關(guān)：

1、如何通過得到query相關(guān)性高的context，即與query相關(guān)的Document盡可能多的能被召回；

2、如何讓LLM基于query和context得到高質(zhì)量的response。

5.1、讓query相關(guān)的Document盡可能多的被召回

將本地知識(shí)切分成Document的時(shí)候，需要考慮Document的長(zhǎng)度、Document embedding質(zhì)量和被召回Document數(shù)量這三者之間的相互影響。在文本切分算法還沒那么智能的情況下，本地知識(shí)的內(nèi)容最好是已經(jīng)結(jié)構(gòu)化比較好了，各個(gè)段落之間語義關(guān)聯(lián)沒那么強(qiáng)。Document較短的情況下，得到的Document embedding的質(zhì)量可能會(huì)高一些，通過Faiss得到的Document與query相關(guān)度會(huì)高一些。

使用Faiss做搜索，前提條件是有高質(zhì)量的文本向量化工具。因此最好是能基于本地知識(shí)對(duì)文本向量化工具進(jìn)行Finetune。另外也可以考慮將ES搜索結(jié)果與Faiss結(jié)果相結(jié)合。

5.2、基于query和context讓LLM得到高質(zhì)量的response

有了query相關(guān)的context后，如何讓LLM生成高質(zhì)量的response，也是一個(gè)非常重要的問題。優(yōu)化的點(diǎn)有兩個(gè)：①、嘗試多個(gè)的prompt模版，選擇一個(gè)合適的，但是這個(gè)可能有點(diǎn)玄學(xué)；②、用與本地知識(shí)問答相關(guān)的語料，對(duì)LLM進(jìn)行Finetune。

補(bǔ)充：ChatGML模型對(duì)于硬件的要求比較高，內(nèi)存需要32G以上，半精度的 ChatGLM2-6B 模型需要大概 13GB 內(nèi)存。

查看專屬GPU內(nèi)存：因?yàn)镃hatGLM2內(nèi)存要求6GB以上才可以發(fā)揮出性能要求。

下表為ChatGLM2-2B的根據(jù)顯存大小決定的問答性能。

最新評(píng)論