ChatGPT结合本地数据

ChatGPT结合本地数据_llamaindex

1 功能

大模型学习的主要是通用数据，而用户可能需要让ChatGPT在本地的知识库中寻找答案。
普通用户不太可能训练大模型；由于本地数据格式丰富，内容烦多，且考虑到使用成本和token大小限制，也不可能在每次提问时都将所有数据传给ChatGPT。
llamaindex提供了解决此问题的方法：通过ChatGPT把本地文本转成Embedding，然后在本地建立数据索引；询问时先在本地查询，再用ChatGPT将查询结果合成答案，llamaindex是用户数据和大模型之间的接口。

2 原理

2.1 模块

llama_index由三个主要模块组成：

数据模块：用于读取本地或网络数据，并将大块文本切分成Node块。
索引和存储模块：将文本块通过ChatGPT转换成Embedding嵌入表示存储在本地，构建本地知识库。
搜索模块：根据使用者提出的问题，在本地知识库中定位可能的答案，然后将问题和答案传给ChatGPT整合出最终答案。

2.2 组织数据

当用户提出问题时，需要与本地知识库进行匹配，如果数据库中内容很多，会花费大量匹配时间。为节约时间，可以对文章中的章、节、文本文件整体内容、目录内容等生成总结，逐层构造树结构，图结构，或者关键字映射表，以节约搜索时间。
llamaindex提供了各种结构支持，需要开发者自行调用。

2.3 核心概念

Node & Index
Node指切分后的文本块；Index索引可以理解为Node数据块通过ChatGPT转换后在本地的存储方式。索引结构支持List, Tree, Keyword方式；除了创建index以外，还提供对其中的子块进行增删的编辑操作，以节约token。另外，除了对纯文本进行索引，还提供图索引，表索引，SQL中数据索引。
Embedding & Vector
这里的Embedding和Vector指的都是通过ChatGPT转换后的数据；当前版本嵌入的维度是 1536（问题的和Node一样长）；假设将每个块设成最大600（Node: chunk size），如果是18K大小的文本文件，存储了utf-8的中文文字，每字占3字节，6000多字，约使用10来个Node存储；每个Node被转换成1538个float值，存储在本地，即Vector store。
Query & Response Synthesis
Query询问指的是用户提出的问题；Response Synthesis指的是从索引中定位出可选答案后，组织答案的方法。

3 文档

3.1 文档内容

代码中的docs目录数据用于生成网页版的说明文档，也可通过以下网址直接查看文档：
https://gpt-index.readthedocs.io/en/latest/
通过操作界面左上图标可调出帮助目录，操作左下角切换不同版本文档。

3.2 学习路径

文档内容很多，包含文本和源码示例，推荐使用以下顺序阅读文档：

gallery: 看别人用该库实现的功能
getting_started: 最简单的安装方法和示例
guides: 一般用户使用方法
use_case: 使用案例（做了什么，怎么做，相对简单）
how_to (KEY COMPONENTS): 原理和用法的主索引，从上到下由浅入深（前三项最重要）
reference: 细节的详细信息, 大部分是源码自动生成的文档（具体使用时查看）

4 代码分析

benchmarks: 用于评测
build/dist/scripts: 打包过程中产生的目录文件
tests: 测试用例
llama_index: 核心源码 (200多个源码文件)
- readers: 从各种数据源读入数据的解析工具, 其file支持多种模式
- index, storage, query等，建议以文档为入口开始学习
examples: 分门别类的示例
experimental: 一些不重要的实验
README.md：示例了最简单的使用方法