Camp4 llamaindex rag (#2015)

docs/L1/LlamaIndex/readme.md

@@ -0,0 +1,386 @@
+# llamaindex+Internlm2 RAG 实践
+
+<img width="900" alt="img_v3_02fn_136796c2-1adb-429b-8c87-276fc43b483g" src="https://github.com/user-attachments/assets/27b038b6-1b0a-4884-a2b8-847b0b0b0bf9">
+
+Hello大家好，迎来到实战营第四期的llamaindex+Internlm2 RAG课程，本文将分为以下几个部分来介绍，如何使用 LlamaIndex 来部署 InternLM2 1.8B并测试（以 InternStudio 的环境为例）
+
+- 前置知识
+- 环境、模型准备
+- LlamaIndex HuggingFaceLLM
+- LlamaIndex RAG
+
+## 1. 前置知识
+
+正式介绍检索增强生成（Retrieval Augmented Generation，RAG）技术以前，大家不妨想想为什么会出现这样一个技术。
+给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。
+第一种方式，改变了模型的权重即进行模型训练，这是一件代价比较大的事情，大语言模型具体的训练过程，可以参考[InternLM2技术报告](https://arxiv.org/abs/2403.17297)。
+第二种方式，并不改变模型的权重，只是给模型引入格外的信息。类比人类编程的过程，第一种方式相当于你记住了某个函数的用法，第二种方式相当于你阅读函数文档然后短暂的记住了某个函数的用法。
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/5a72331f-1726-4e4e-9a69-75141cfd313e)
+对比两种注入知识方式，第二种更容易实现。RAG 正是这种方式。它能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。本次课程选用了 LlamaIndex 框架。LlamaIndex 是一个上下文增强的 LLM 框架，旨在通过将其与特定上下文数据集集成，增强大型语言模型（LLMs）的能力。它允许您构建应用程序，既利用 LLMs 的优势，又融入您的私有或领域特定信息。
+
+### RAG 效果比对
+
+如图所示，由于`xtuner`是一款比较新的框架， `InternLM2-Chat-1.8B` 训练数据库中并没有收录到它的相关信息。左图中问答均未给出准确的答案。右图未对 `InternLM2-Chat-1.8B` 进行任何增训的情况下，通过 RAG 技术实现的新增知识问答。
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/3785a449-770a-45e1-a7ea-7cfd33a00076)
+
+## 2. 环境、模型准备
+
+### 2.1 配置基础环境
+
+这里以在 [Intern Studio](https://studio.intern-ai.org.cn/) 服务器上部署 LlamaIndex 为例。
+
+首先，打开 `Intern Studio` 界面，点击 **创建开发机** 配置开发机系统。
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/e325d0c1-6816-4ea5-ba4a-f509bdd42323)
+
+填写 `开发机名称` 后，点击 选择镜像 使用 `Cuda11.7-conda` 镜像，然后在资源配置中，使用 `30% A100 * 1` 的选项，然后立即创建开发机器。
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/8c25b923-fda8-4af2-a4dc-2f4cf44845c9)
+
+点击 `进入开发机` 选项。
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/6bc3cde2-6309-4e14-9278-a65cd74d4a3a)
+
+进入开发机后，创建新的 conda 环境，命名为 `llamaindex`，在命令行模式下运行：
+
+```bash
+conda create -n llamaindex python=3.10
+```
+
+复制完成后，在本地查看环境。
+
+```bash
+conda env list
+```
+
+结果如下所示。
+
+```bash
+# conda environments:
+#
+base                  *  /root/.conda
+llamaindex               /root/.conda/envs/llamaindex
+```
+
+运行 `conda` 命令，激活 `llamaindex` 然后安装相关基础依赖
+**python** 虚拟环境:
+
+```bash
+conda activate llamaindex
+conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
+```
+
+**安装 python 依赖包**
+
+```bash
+pip install einops==0.7.0 protobuf==5.26.1
+```
+
+环境激活后，命令行左边会显示当前（也就是 `llamaindex` ）的环境名称，如下图所示:
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/bcfedc90-0d9d-4679-b1e9-4709b05711f3)
+
+### 2.2 安装 Llamaindex
+
+安装 Llamaindex 和相关的包
+
+```bash
+conda activate llamaindex
+pip install llama-index==0.10.38 llama-index-llms-huggingface==0.2.0 "transformers[torch]==4.41.1" "huggingface_hub[inference]==0.23.1" huggingface_hub==0.23.1 sentence-transformers==2.7.0 sentencepiece==0.2.0
+```
+
+### 2.3 下载 Sentence Transformer 模型
+
+源词向量模型 [Sentence Transformer](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2):（我们也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的，同学们可以自由尝试别的开源词向量模型）
+运行以下指令，新建一个 python 文件
+
+```bash
+cd ~
+mkdir llamaindex_demo
+mkdir model
+cd ~/llamaindex_demo
+touch download_hf.py
+```
+
+打开`download_hf.py` 贴入以下代码
+
+```bash
+import os
+
+# 设置环境变量
+os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
+
+# 下载模型
+os.system('huggingface-cli download --resume-download sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 --local-dir /root/model/sentence-transformer')
+```
+
+然后，在 /root/llamaindex_demo 目录下执行该脚本即可自动开始下载：
+
+```bash
+cd /root/llamaindex_demo
+conda activate llamaindex
+python download_hf.py
+```
+
+更多关于镜像使用可以移步至 [HF Mirror](https://hf-mirror.com/) 查看。
+
+### 2.4 下载 NLTK 相关资源
+
+我们在使用开源词向量模型构建开源词向量的时候，需要用到第三方库 `nltk` 的一些资源。正常情况下，其会自动从互联网上下载，但可能由于网络原因会导致下载中断，此处我们可以从国内仓库镜像地址下载相关资源，保存到服务器上。
+我们用以下命令下载 nltk 资源并解压到服务器上：
+
+```bash
+cd /root
+git clone https://gitee.com/yzy0612/nltk_data.git  --branch gh-pages
+cd nltk_data
+mv packages/*  ./
+cd tokenizers
+unzip punkt.zip
+cd ../taggers
+unzip averaged_perceptron_tagger.zip
+```
+
+之后使用时服务器即会自动使用已有资源，无需再次下载
+
+## 3. LlamaIndex HuggingFaceLLM
+
+运行以下指令，把 `InternLM2 1.8B` 软连接出来
+
+```bash
+cd ~/model
+ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b/ ./
+```
+
+运行以下指令，新建一个 python 文件
+
+```bash
+cd ~/llamaindex_demo
+touch llamaindex_internlm.py
+```
+
+打开 llamaindex_internlm.py 贴入以下代码
+
+```python
+from llama_index.llms.huggingface import HuggingFaceLLM
+from llama_index.core.llms import ChatMessage
+llm = HuggingFaceLLM(
+    model_name="/root/model/internlm2-chat-1_8b",
+    tokenizer_name="/root/model/internlm2-chat-1_8b",
+    model_kwargs={"trust_remote_code":True},
+    tokenizer_kwargs={"trust_remote_code":True}
+)
+
+rsp = llm.chat(messages=[ChatMessage(content="xtuner是什么？")])
+print(rsp)
+```
+
+之后运行
+
+```bash
+conda activate llamaindex
+cd ~/llamaindex_demo/
+python llamaindex_internlm.py
+```
+
+结果为：
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/ac3f481d-cc5b-44be-b281-2cab7289f027)
+回答的效果并不好，并不是我们想要的 xtuner。
+
+## 4. LlamaIndex RAG
+
+安装 `LlamaIndex` 词嵌入向量依赖
+
+```bash
+conda activate llamaindex
+pip install llama-index-embeddings-huggingface==0.2.0 llama-index-embeddings-instructor==0.1.3
+```
+
+```bash
+在这一步请确定llama-index-embeddings-huggingface安装成功
+如果存在not found错误，请重新安装
+pip install llama-index-embeddings-huggingface==0.2.0
+确保 huggingface_hub==0.23.1
+```
+
+运行以下命令，获取知识库
+
+```bash
+cd ~/llamaindex_demo
+mkdir data
+cd data
+git clone https://github.com/InternLM/xtuner.git
+mv xtuner/README_zh-CN.md ./
+```
+
+运行以下指令，新建一个 python 文件
+
+```bash
+cd ~/llamaindex_demo
+touch llamaindex_RAG.py
+```
+
+打开`llamaindex_RAG.py`贴入以下代码
+
+```python
+
+from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
+
+from llama_index.embeddings.huggingface import HuggingFaceEmbedding
+from llama_index.llms.huggingface import HuggingFaceLLM
+
+#初始化一个HuggingFaceEmbedding对象，用于将文本转换为向量表示
+embed_model = HuggingFaceEmbedding(
+#指定了一个预训练的sentence-transformer模型的路径
+    model_name="/root/model/sentence-transformer"
+)
+#将创建的嵌入模型赋值给全局设置的embed_model属性，
+#这样在后续的索引构建过程中就会使用这个模型。
+Settings.embed_model = embed_model
+
+llm = HuggingFaceLLM(
+    model_name="/root/model/internlm2-chat-1_8b",
+    tokenizer_name="/root/model/internlm2-chat-1_8b",
+    model_kwargs={"trust_remote_code":True},
+    tokenizer_kwargs={"trust_remote_code":True}
+)
+#设置全局的llm属性，这样在索引查询时会使用这个模型。
+Settings.llm = llm
+
+#从指定目录读取所有文档，并加载数据到内存中
+documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
+#创建一个VectorStoreIndex，并使用之前加载的文档来构建索引。
+# 此索引将文档转换为向量，并存储这些向量以便于快速检索。
+index = VectorStoreIndex.from_documents(documents)
+# 创建一个查询引擎，这个引擎可以接收查询并返回相关文档的响应。
+query_engine = index.as_query_engine()
+response = query_engine.query("xtuner是什么?")
+
+print(response)
+```
+
+之后运行
+
+```bash
+conda activate llamaindex
+cd ~/llamaindex_demo/
+python llamaindex_RAG.py
+```
+
+结果为：
+![image](https://github.com/Shengshenlan/tutorial/assets/57640594/8d363e3f-edf9-4573-bd58-5b54fd8981df)
+
+借助 RAG 技术后，就能获得我们想要的答案了。
+
+## 5. LlamaIndex web
+
+运行之前首先安装依赖
+
+```shell
+pip install streamlit==1.36.0
+```
+
+运行以下指令，新建一个 python 文件
+
+```bash
+cd ~/llamaindex_demo
+touch app.py
+```
+
+打开`app.py`贴入以下代码
+
+```python
+import streamlit as st
+from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
+from llama_index.embeddings.huggingface import HuggingFaceEmbedding
+from llama_index.llms.huggingface import HuggingFaceLLM
+
+st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
+st.title("llama_index_demo")
+
+# 初始化模型
+@st.cache_resource
+def init_models():
+    embed_model = HuggingFaceEmbedding(
+        model_name="/root/model/sentence-transformer"
+    )
+    Settings.embed_model = embed_model
+
+    llm = HuggingFaceLLM(
+        model_name="/root/model/internlm2-chat-1_8b",
+        tokenizer_name="/root/model/internlm2-chat-1_8b",
+        model_kwargs={"trust_remote_code": True},
+        tokenizer_kwargs={"trust_remote_code": True}
+    )
+    Settings.llm = llm
+
+    documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
+    index = VectorStoreIndex.from_documents(documents)
+    query_engine = index.as_query_engine()
+
+    return query_engine
+
+# 检查是否需要初始化模型
+if 'query_engine' not in st.session_state:
+    st.session_state['query_engine'] = init_models()
+
+def greet2(question):
+    response = st.session_state['query_engine'].query(question)
+    return response
+
+
+# Store LLM generated responses
+if "messages" not in st.session_state.keys():
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
+
+    # Display or clear chat messages
+for message in st.session_state.messages:
+    with st.chat_message(message["role"]):
+        st.write(message["content"])
+
+def clear_chat_history():
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
+
+st.sidebar.button('Clear Chat History', on_click=clear_chat_history)
+
+# Function for generating LLaMA2 response
+def generate_llama_index_response(prompt_input):
+    return greet2(prompt_input)
+
+# User-provided prompt
+if prompt := st.chat_input():
+    st.session_state.messages.append({"role": "user", "content": prompt})
+    with st.chat_message("user"):
+        st.write(prompt)
+
+# Gegenerate_llama_index_response last message is not from assistant
+if st.session_state.messages[-1]["role"] != "assistant":
+    with st.chat_message("assistant"):
+        with st.spinner("Thinking..."):
+            response = generate_llama_index_response(prompt)
+            placeholder = st.empty()
+            placeholder.markdown(response)
+    message = {"role": "assistant", "content": response}
+    st.session_state.messages.append(message)
+```
+
+之后运行
+
+```bash
+streamlit run app.py
+```
+
+然后在命令行点击，红框里的 url。
+
+![image](https://github.com/user-attachments/assets/dc1e0e8c-bec3-49ad-b522-44f14c64ea01)
+
+即可进入以下网页，然后就可以开始尝试问问题了。
+
+![1721404075545](https://github.com/user-attachments/assets/1f55ae89-2568-4cd5-8e50-564ed032d275)
+
+询问结果为：
+
+![1721404159357](https://github.com/user-attachments/assets/6b479645-3bf6-4b94-b8e9-df4ea2e18530)
+
+## 6. 小结
+
+恭喜你，成功通关本关卡！继续加油！你成功使用 LlamaIndex 运行了 InternLM-2 1.8B 模型，并实现了知识库的构建与检索。这为管理和利用大规模知识库提供了强大的工具和方法。接下来，可以进一步优化和扩展功能，以满足更复杂的需求。
+
+## 7. 作业
+
+作业请访问[作业](./task.md)。

docs/L1/LlamaIndex/task.md

@@ -0,0 +1,10 @@
+# Llamaindex RAG 实践
+
+## 基础任务 (完成此任务即完成闯关)
+
+- **任务要求**：基于 LlamaIndex 构建自己的 RAG 知识库，寻找一个问题 A 在使用 LlamaIndex 之前 InternLM2-Chat-1.8B 模型不会回答，借助 LlamaIndex 后 InternLM2-Chat-1.8B 模型具备回答 A 的能力，截图保存。
+
+## 闯关材料提交 (完成任务并且提交材料时为闯关成功)
+
+- 请将作业发布到知乎、CSDN 等任一社交媒体，将作业链接提交到以下问卷，助教老师批改后将获得 100 算力点奖励！！！
+- 提交地址：https://aicarrier.feishu.cn/share/base/form/shrcnUqshYPt7MdtYRTRpkiOFJd