寫在前面

"這份 200 頁的技術(shù)文檔，能幫我總結(jié)一下核心內(nèi)容嗎？" "剛收到客戶 100 頁的需求文檔，有辦法快速理解嗎？" "團隊的知識庫太龐大了，想問個問題都要翻半天..."

是不是經(jīng)常會遇到這樣的困擾？今天，我們將利用下面兩個技術(shù)為自己定制一個本地的 ChatFile 的 AI 問答系統(tǒng):

1. Google 最新開源的生成式 AI 模型:Gemma 2

2. 檢索增強生成技術(shù): RAG (Retrieval - Augmented Generation)

Gen AI 技術(shù)發(fā)展

LLM 技術(shù)生態(tài)全景

Google 生成式 AI

Google 在 AI 領(lǐng)域采取了雙軌制戰(zhàn)略:

閉源商業(yè)模型

Gemini 系列 (1.0/1.5 Flash/1.5 Pro/2.0 等) - 語言文本模型/多模態(tài)模型

Imagen 系列 - 文生圖模型

Embedding Models - 文本 embedding/多模態(tài) embedding

開放模型

Gemma 系列 (Gemma 1|2, Code Gemma, Pali Gemma 等)

Gemma 是 Google 的一系列輕量級開放模型，繼承了 Gemini 的核心技術(shù)。其中 Gemma 2 是截止目前最新的模型版本。

Gemma 2 提供了三個不同規(guī)模的版本:

2B 參數(shù)版本:適合邊緣計算場景

9B 參數(shù)版本: 平衡性能和資源需求

27B 參數(shù)版本:提供最佳性能

快速了解 RAG

△ Comparison between the three paradigms of RAG

(來源: https://arxiv.org/abs/2312.10997v5)

RAG 通過幾個主要步驟來幫助增強生成式 AI 輸出:

檢索和預處理: RAG 利用強大的搜索算法查詢外部數(shù)據(jù)，例如網(wǎng)頁、知識庫和數(shù)據(jù)庫。檢索完畢后，相關(guān)信息會進行預處理，包括標記化、詞干提取和停用詞移除。

生成: 經(jīng)過預處理的檢索到的信息接著會無縫整合到預訓練的 LLM 中。此整合增強了 LLM 的上下文，使其能夠更全面地理解主題。這種增強的上下文使 LLM 能夠生成更精確、更翔實且更具吸引力的回答。

RAG 的運行方式是:首先, 使用 LLM 生成的查詢從數(shù)據(jù)庫中檢索相關(guān)信息。然后, 將這種檢索到的信息整合到 LLM 的查詢輸入中，使其能夠生成更準確且與上下文更相關(guān)的文本

實戰(zhàn)從 0-1 構(gòu)建智能文檔助手

在本教程中，我們將帶您了解如何設(shè)置和使用一個命令行工具，通過它您可以使用最先進的語言模型 Gemma 2 與您的 PDF 文件進行對話交互。

公開源代碼

https://github.com/Julian-Cao/chat-file-with-gemma.git

項目概述

我們將構(gòu)建一個 Python 的命令行應用程序，實現(xiàn):

1. PDF 文本提取

2. 文本向量化

3. 智能問答生成

系統(tǒng)模塊

文檔解析處理器 (Parser Chunks)

使用 PyMuPDF 處理 PDF 等辦公文件

實現(xiàn)文本分塊和預處理

向量化處理 (Embedding Model)

使用 text-multilingual-embedding-002 模型

將文本轉(zhuǎn)換為高維向量表示

向量數(shù)據(jù)庫 (Vector Database)

實現(xiàn)基于本地文件的向量存儲

支持高效的相似度檢索

生成式 AI 模型 (Gen AI Model)

通過 Groq 直接使用 Gemma 2

處理自然語言理解和生成

對話記憶管理 (Chat Memory)

基于本地文件系統(tǒng)

維護上下文連貫性

前置條件

在開始之前，請確保您已準備:

1. Python 3.7 或更高版本

2. 系統(tǒng)已安裝 Git

3. 用于 Vertex AI 的 Google Cloud 賬號

4. 申請用于訪問 Gemma 2 的 Groq API 密鑰

5. 安裝 Python Typer 庫命令行應用程序構(gòu)建工具

步驟 1: 環(huán)境設(shè)置

首先，讓我們克隆代碼倉庫并設(shè)置環(huán)境:

# Clone the repository
git clone https://github.com/Julian-Cao/chat-file-with-gemma.git
cd chat-file-with-gemma
# Create and activate a virtual environment
python -m venv venv
source venv/bin/activate # On Windows, use `venvScriptsactivate`
# Install the required dependencies
pipinstall-rrequirements.txt

步驟 2: 配置

在項目根目錄創(chuàng)建 config.json 文件，包含您的 Google Cloud 和 Groq API 憑證:

{
"project_id": "your-google-cloud-project-id",
"region": "your-google-cloud-region",
"groq_key": "your-groq-api-key"
}

步驟 3: 了解項目結(jié)構(gòu)

項目的主要組件包括:

1. chat.py: 包含文本處理和交互的核心功能

2. requirements.txt: 列出所有 Python 依賴

3. demo.pdf: 示例 PDF 文件 — Attention Is All You Need

4. config.json: 存儲你的 API 憑證 (需要自行創(chuàng)建)

5. README.md

Attention Is All You Need

https://arxiv.org/abs/1706.03762

步驟 4: 工作原理

讓我們來分析 chat.py 文件的關(guān)鍵組件:

文本提取:應用程序使用 PyMuPDF (以 fitz 導入) 從 PDF 文件中提取文本并將其分割成可管理的塊。

文本嵌入:使用 Vertex AI 的文本嵌入模型為文本塊創(chuàng)建向量表示。這使得后續(xù)可以進行高效的相似度搜索。

相似度搜索:當你提出問題時，應用程序通過比較問題的嵌入向量與文檔塊的嵌入向量找到最相關(guān)的內(nèi)容。

響應生成:通過 Groq API 使用 Gemma 2 基于相關(guān)上下文和你的問題生成響應。

步驟 5:運行你的 ChatFile 應用程序

現(xiàn)在你可以運行應用程序:

python chat.py

應用程序會提示你提供 PDF 文件路徑。處理完文檔后，你就可以開始詢問關(guān)于其內(nèi)容的問題。

開始使用

根據(jù)提示，輸入 PDF 文件的路徑。

應用程序?qū)⑻幚砦臋n，這可能需要一些時間，具體取決于文件大小。

處理完成后，你就可以開始詢問文檔相關(guān)的問題。

輸入你的問題并按回車。應用程序?qū)⒏鶕?jù)文檔內(nèi)容提供答案。

要切換到不同的文檔，在提示輸入問題時輸入 **'c'**。

要退出應用程序，在提示輸入問題時輸入 **'q'**。

示例交互

> python chat.py
Please enter the path to your file (or 'q' to quit): /path/to/your/document.pdf
Initializing with file: /path/to/your/document.pdf
Extracting text chunks…
Processing chunks…
Embedded all chunks
Saved embedded chunks to embedded_chunks_1234567890abcdef.json
Initialization complete. You can now start asking questions.
Enter your question below
(or 'q' to quit, 'c' to change file)
Question: What is the main topic of this document?
[Answer will appear here]
- -
Enter your question below
(or 'q' to quit, 'c' to change file)
Question: q
ThankyouforusingtheInteractiveFileQ&ASystem.Goodbye!

最后

恭喜！你已經(jīng)設(shè)置并使用了由 Gemma 2 驅(qū)動的本地 ChatFile 應用。這個工具讓你能夠以對話方式與 PDF 文檔交互。

此工具實現(xiàn)包含以下特性:

緩存嵌入，使用相同文檔時能更快地運行

具有豐富文本格式的交互式命令行界面

無需重啟應用程序即可在不同文檔之間切換