网站内容编辑怎么做怎么看待网站开发
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
最近，Apple的研究人员推出了ReALM，紧随Google的Gemma、Meta的Llama以及微软的其他几个产品之后，完全本地运行大型语言模型（LLM）的应用越来越受到关注。我在《宅乐时光：用Gemma在本地玩LangChain 2》中尝试了本地运行Langchain，唯一缺失的是嵌入部分。为了在本地完整模拟RAG，我在以下代码中添加了word2vec嵌入。
import json
import numpy as np
from gensim.models import KeyedVectors
from langchain_community.llms import Ollama
import logging# 基础日志配置
logging.basicConfig(level=logging.INFO)# 使用预训练的Word2Vec模型计算嵌入
def compute_embeddings(text, embedding_model):words = [word for word in text.split() if word in embedding_model.key_to_index]if words:return np.mean([embedding_model[word] for word in words], axis=0)else:return np.zeros(embedding_model.vector_size)# 加载预训练的Word2Vec嵌入
try:model_path = 'GoogleNews-vectors-negative300.bin' # 模型下载正确路径embedding_model = KeyedVectors.load_word2vec_format(model_path, binary=True)
except Exception as e:logging.error(f"加载Word2Vec模型失败: {e}")# 从JSON加载数据
try:with open('my_data.json', 'r') as file:data = json.load(file)
except Exception as e:logging.error(f"加载JSON数据错误: {e}")data = []def simulate_rag(data, prompt):matches = []threshold = 0.4 # 余弦相似度示例阈值prompt_embedding = compute_embeddings(prompt, embedding_model)for passage in data:combined_text = f"{passage['title']} {passage['content']}".lower()passage_embedding = compute_embeddings(combined_text, embedding_model)similarity = np.dot(prompt_embedding, passage_embedding) / (np.linalg.norm(prompt_embedding) * np.linalg.norm(passage_embedding))print(f"passage: {passage}")print(f"Similarity: {similarity}")if similarity > threshold:matches.append(passage)return matches[:2] # 返回前2个检索的段落prompt = "Nedved Yang喜欢吃什么？你能推荐新加坡的哪个地方给他吃吗？"# 从本地数据检索相关段落
retrieved_passages = simulate_rag(data, prompt)
print(f"**检索到的段落:**\n{retrieved_passages}")# 构建LLM提示
llm_prompt = f"用户查询: {prompt}\n\n检索到的信息:\n"
for passage in retrieved_passages:llm_prompt += f"- {passage['title']}:\n - {passage['content']}\n - 来源: {passage['source']}\n"print(f"**LLM提示:**\n{llm_prompt}")
llm = Ollama(model="gemma:2b")
llm_response = llm.invoke(llm_prompt) # 替换您的LLM交互方法
final_response = f"**LLM回应:**\n{llm_response}"# 打印最终回应
print(final_response)
在使用word2vec进行本地嵌入前，您需要从网上下载它，例如从https://github.com/harmanpreet93/load-word2vec-google?tab=readme-ov-file。然后，您可以加载它来计算嵌入。我遇到了一个问题，即`retrieved_passages`返回为空。通过下面的手动测试，我发现根本原因是相似度低于阈值。
# 示例手动测试prompt_embedding = compute_embeddings("Nedved Yang喜欢吃什么？", embedding_model)
example_entry = "Nedved Yang喜欢辛辣和素食菜肴。"
entry_embedding = compute_embeddings(example_entry, embedding_model)
similarity = np.dot(prompt_embedding, entry_embedding) / (np.linalg.norm(prompt_embedding) * np.linalg.norm(entry_embedding))
print(f"Similarity: {similarity}")
在调整阈值后，来自Gemma的回应看起来不错。
试试看，玩得开心！