《LlamaIndex 之美》-01-LLM、Prompt、Embedding基础入门

在基于数据构建任何 LLM 应用程序时，选择合适的大型语言模型 （LLM） 是您需要考虑的首要步骤之一。

LLM 是 LlamaIndex 的核心组成部分。它们可以作为独立模块使用，也可以插入到其他核心 LlamaIndex 模块（索引、检索器、查询引擎）中。

LlamaIndex 提供了一个统一的接口来定义 LLM 模块，支持对接世面上多种LLM大模型能力。

• 支持文本完成和聊天端点
• 支持流式处理和非流式处理终结点
• 支持同步和异步端点

本Llamaindex系列文章使用的模型是阿里的灵积平台

Llamaindex 对接 QWen LLM

在Llamaindex中使用LLM很简单，在这里你可以看到目前Llamaindex已经支持的LLM类型，下面我将使用QWen模型实现一个入门案例。

1. 安装相关依赖

# 引入灵积平台依赖
!pip install llama-index-llms-dashscope --quiet
# 加载环境变量
!pip install python-dotenv --quiet

1. 初始化模型Client对象

from llama_index.llms.dashscope import DashScope, DashScopeGenerationModels
from dotenv import load_dotenv# 加载环境变量
load_dotenv()dashscope_llm = DashScope(model_name=DashScopeGenerationModels.QWEN_TURBO,max_tokens=1000,enable_search=False,temperature=0.2
)

关于如何使用dotenv，可以参考文章《揭秘python-dotenv:那些鲜为人知的实用窍门》

1. 构建complete回话

# 同步输出
resp = dashscope_llm.complete("你好！")
print(resp)

1. 构建stream会话

# 流式输出
responses = dashscope_llm.stream_complete("你好！")
for response in responses:print(response.delta, end="")

1. 构建Chat会话

# chat 模型会话
from llama_index.core.base.llms.types import MessageRole, ChatMessagemessages = [ChatMessage(role=MessageRole.SYSTEM, content="你是一个AI智能机器人"),ChatMessage(role=MessageRole.USER, content="你好。"),
]
resp = dashscope_llm.chat(messages)
print(resp)

1. 构建多轮会话

# 多轮对话
messages = [ChatMessage(role=MessageRole.SYSTEM, content="你是一个AI智能机器人"),ChatMessage(role=MessageRole.USER, content="你好。"),
]
# first round
resp = dashscope_llm.chat(messages)
print(resp)# add response to messages.
messages.append(ChatMessage(role=MessageRole.ASSISTANT, content=resp.message.content)
)messages.append(ChatMessage(role=MessageRole.USER, content="如何制作一个蛋糕？")
)
# second round
resp = dashscope_llm.chat(messages)
print(resp)

LLamaindex 设置Prompt

在LLamaindex中使用Prompt就像创建格式字符串一样简单，

from llama_index.core import PromptTemplatetemplate = ("我提供的上下文内容如下： \n""---------------------\n""{context_str}""\n---------------------\n""基于给出的内容，回答一下问题: {query_str}\n"
)
qa_template = PromptTemplate(template)context_str = """
重达3000吨、总长超70米、20层楼高度，又一“大国重器”成功问世！此“重器”的诞生也标志我国自研冲破西方“壁垒”。
据悉，这个形状酷似“茅台“的国器是目前世界上最大的加氢反应器，其在石油工业中的地位“媲美芯片”。
不少西方国家对于此项技术给出高价，但我们表示：100%中国制造，永不出售！
"""
query_str = "总结一下加氢反应器？"
# you can create text prompt (for completion API)
prompt = qa_template.format(context_str=context_str, query_str=query_str)
print(prompt)
# or easily convert to message prompts (for chat API)
messages = qa_template.format_messages(context_str=context_str, query_str=query_str)
print(messages)

除此之外你还可以定义Chat格式的Prompt

from llama_index.core import ChatPromptTemplate
from llama_index.core.llms import ChatMessage, MessageRolemessage_templates = [ChatMessage(content="You are an expert system.", role=MessageRole.SYSTEM),ChatMessage(content="Generate a short story about {topic}",role=MessageRole.USER,),
]
chat_template = ChatPromptTemplate(message_templates=message_templates)# you can create message prompts (for chat API)
messages = chat_template.format_messages(topic="狼来了")
print(messages)
# or easily convert to text prompt (for completion API)
prompt = chat_template.format(topic="狼来了")
print(prompt)

Llamaindex 支持 Embedding

Embedding是一种将离散数据映射到连续空间的表示方法。在自然语言处理中，Embedding技术可以将单词、句子等文本数据转化为低维向量，从而捕捉文本的语义信息。

在LlamaIndex中，嵌入用于将文本数据映射到语义空间，使得相似的文本在向量空间中靠近。这种表示方式对于语义搜索、文本分类和信息检索等任务至关重要。通过嵌入，LlamaIndex能够理解和处理文本的细微差异，从而提供更精准和个性化的服务。

LlamaIndex利用Embedding技术实现文本向量的生成，具体步骤如下：

（1）预处理：对文本进行清洗、切块等处理。

（2）构建Embedding模型：使用预训练的Embedding模型，如Word2Vec、BERT等，将文本转化为向量。

（3）向量存储与搜索：与LLM应用类似，将向量存储到向量数据库中，并进行相似度检索。

目前，LLamaindex已经支持了很多Embedding模型，你可以在这里查看，本次Embedding使用的是灵积平台中的Embedding模型。

1. 文件内容Embedding

# imports
from llama_index.embeddings.dashscope import (DashScopeEmbedding,DashScopeTextEmbeddingModels,DashScopeTextEmbeddingType,
)# Create embeddings
# text_type=`document` to build index
embedder = DashScopeEmbedding(model_name=DashScopeTextEmbeddingModels.TEXT_EMBEDDING_V2,text_type=DashScopeTextEmbeddingType.TEXT_TYPE_DOCUMENT,
)text_to_embedding = ["风急天高猿啸哀", "渚清沙白鸟飞回", "无边落木萧萧下", "不尽长江滚滚来"]
# Call text Embedding
result_embeddings = embedder.get_text_embedding_batch(text_to_embedding)
# requests and embedding result index is correspond to.
for index, embedding in enumerate(result_embeddings):if embedding is None:  # if the correspondence request is embedding failed.print("The %s embedding failed." % text_to_embedding[index])else:print("Dimension of embeddings: %s" % len(embedding))print("Input: %s, embedding is: %s"% (text_to_embedding[index], embedding[:5]))

1. 查询Embedding

# imports
from llama_index.embeddings.dashscope import (DashScopeEmbedding,DashScopeTextEmbeddingModels,DashScopeTextEmbeddingType,
)
# Create embeddings
# text_type=`query` to retrieve relevant context.
embedder = DashScopeEmbedding(model_name=DashScopeTextEmbeddingModels.TEXT_EMBEDDING_V2,text_type=DashScopeTextEmbeddingType.TEXT_TYPE_QUERY,  #指定对查询问题进行Embedding
)# Call text Embedding
embedding = embedder.get_text_embedding("骆驼祥子这本书讲了什么？")
print(f"Dimension of embeddings: {len(embedding)}")
print(embedding[:5])

后面的章节将会继续说明如何将向量化的内容存储到向量数据库中，以及如何对向量化结果进行Retrieval。

最后

本篇文章仅带着大家认识一下LLamaindex的LLM、Prompt以及Embedding相关功能，实际上你会发现LLamaindex的能力和Langchain是非常相似的，甚至LLamaindex可以和Langchain一起使用。

后面咱们会着重研究一下基于LLamaindex搭建使用RAG增强的ChatBot，以及相关的组件能力。