当前位置：首页 > article >正文

RAG：实现基于本地知识库结合大模型生成(LangChain4j快速入门#1)

article 2025/1/29 8:10:26

引言

⭐Tips：

你可以循序渐进从头看下去
也可以选择直接跳到后面(快速入门)看代码和结果演示

场景解释以及适用场景

当我想让大模型能基于我私有化的一些本地知识进行回答，定制化特殊场景模型的时候，就可以用到这种方法。

示例1：学校官网AI，只回答学校的有关知识，把这些资料都灌进一个库就行；
示例2：个人博客AI，把自己的有关知识灌进库中，然后别人query只回答有关你的知识，不做别的多余答复（可以微调或prompt辅助稍微控制）

RAG是什么

RAG 是 Retrieval-Augmented Generation 的缩写，中文可以翻译为检索增强生成。
传统的生成式模型（例如 GPT 系列模型）在生成文本时，依赖于模型在训练时学到的知识和参数。它们往往缺乏实时访问外部知识库的能力，可能导致生成的内容出现事实错误或不准确。为了弥补这一点，RAG 技术将检索和生成结合起来，利用外部知识库（如文档、数据库、网页等）来增强模型的生成能力。

此处一般能用网页搜索 （Google、Baidu）得到的文本扔进大模型结合回答，也可以用本地建立的知识库向量化or切片扔给大模型结合回答。

本片文章内容主要讲的是后者，搭建本地知识库。前者可以过几天更。

RAG示意流程图
在这里插入图片描述

LangChain4j是什么

LangChain 是一个开源框架，用于帮助开发者构建基于大型语言模型（LLM）的应用程序，特别是那些需要与外部数据源进行交互的应用。LangChain 旨在简化与 LLM 的集成，提供结构化工具，使得开发者能够更高效地构建和部署复杂的自然语言处理（NLP）应用。
LangChain 使得用户能够将语言模型与各种外部资源（如数据库、API、搜索引擎、知识库等）结合起来，进行更复杂的任务，如检索增强生成（RAG）、对话系统、文档理解等。

总的来说，你只需要知道LangChain4j是java用于开发大模型应用的框架就可以了。

🔨Details:
LangChain4j官方使用文档(English)

LangChain是python版本的，javaer基于LangChain也做了一套java版本，故名LangChain4j（LangChainForJava），很多xxx4j也是这么取名的。

快速入门

为了快速入门不展示过多废话导致看不下去，此处展示最简单的本地知识库。
复杂应用推荐看官网文档自己手搓，架构可能需要别种设计

此处我用的maven示例，我们需要的依赖项如下：

		<dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-open-ai</artifactId>
            <version>1.0.0-alpha1</version>
        </dependency>
        <dependency>
            <groupId>dev.langchain4j</groupId>
            <artifactId>langchain4j-easy-rag</artifactId>
            <version>1.0.0-alpha1</version>
        </dependency>

快速对接大模型接口(OpenAI示例)

String openAISK = "{YOUR-OPENAI-SK}^_^";
ChatLanguageModel chatModel = OpenAiChatModel.builder()
                .apiKey(openAISK)
                .modelName(GPT_4_O_MINI)
                .build();
System.out.println(chatModel.generate("你好"));

generate成功打印说明对接成功了，不需要构造繁琐的入参，清理冗杂的出参。

搭建本地知识库示例

我这里直接在项目中写一个txt文件假装是一个大型的本地知识库[doge]
在这里插入图片描述

在这里插入图片描述
接下来，创建一个向量数据库，并把你的文档扔进去预处理。
langchain4j的默认嵌入模型bge-small-en-v1.5在量化后仅仅需要24MB内存，轻松嵌入^^( ఠൠఠ )ﾉ

//copy你的文件的绝对路径就行，debug没问题再玩别的。
List<Document> documents = FileSystemDocumentLoader.loadDocuments("file/path");
InMemoryEmbeddingStore<TextSegment> embeddingStore = new InMemoryEmbeddingStore<>();
EmbeddingStoreIngestor.ingest(documents, embeddingStore);

再抽取一个Assistant接口

public interface Assistant {
    String chat(String userMessage);

    <T> String chat(String userMsg, StreamingResponseHandler<AiMessage> streamingResponseHandler);
}

接下来铺垫动作都做好了，可以做一个简单的问答试试看了

Assistant assistant = AiServices.builder(Assistant.class)
                .chatLanguageModel(chatModel)
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
                .contentRetriever(EmbeddingStoreContentRetriever.from(embeddingStore))
                .build();

Scanner sc = new Scanner(System.in);
while(sc.hasNext()) {
	String userMsg = sc.next();
    String answer = assistant.chat(userMsg);
	System.out.println(answer);
}