接下来，我们开始在web框架上整合 LangChain、OpenAI、FAISS等。
一、PDF库
因为项目是基于PDF文档的，所以需要一些操作PDF的库，我们这边使用的是PyPDF2
from PyPDF2 import PdfReader
# 获取pdf文件内容
def get_pdf_text(pdf):
text = ""
pdf_reader = PdfReader(pdf)
for page in pdf_reader.pages:
text += page.extract_text()
return text传入 pdf 文件路径，返回 pdf 文档的文本内容。
二、LangChain库
1、文本拆分器
首先我们需要将第一步拿到的本文内容拆分，我们使用的是 RecursiveCharacterTextSplitter ，默认使用 [“\n\n”,”\n”,” “] 来分割文本。
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 拆分文本
def get_text_chunks(text):
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
# chunk_size=768,
chunk_overlap=200,
length_function=len
)
chunks = text_splitter.split_text(text)
return chunks其中这里 chunk_size 参数要注意，这里是指文本块的最大尺寸，如果用chatgpt3.5会在问答的时候容易出现token长度超过4096的异常，这个后面会说如何调整，只需要换一下模型就好了。
这个参数对于向量化来说，比较重要，因为到时候喂给OpenAI去分析的时候，携带的上下文内容就会比较多，这样准确性和语义分析上也有不少的帮助。
2、向量库
项目使用 FAISS，就是将 pdf 读取到的文本向量化以后，通过 FAISS 保存到本地，后续就不需要再执行向量化，就可以读取之前的备份。
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
# 保存
def save_vector_store(textChunks):
db = FAISS.from_texts(textChunks, OpenAIEmbeddings())
db.save_local('faiss')
# 加载
def load_vector_store():
return FAISS.load_local('faiss', OpenAIEmbeddings())
其中 faiss 参数为保存的目录名称，默认在项目同级目录下生成。
这里使用 OpenAI 的方法 OpenAIEmbeddings 来进行向量化。
3、检索型问答链
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
# 获取检索型问答链
def get_qa_chain(vector_store):
prompt_template = """基于以下已知内容，简洁和专业的来回答用户的问题。
如果无法从中得到答案，清说"根据已知内容无法回答该问题"
答案请使用中文。
已知内容:
{context}
问题:
{question}"""
prompt = PromptTemplate(template=prompt_template,
input_variables=["context", "question"])
return RetrievalQA.from_llm(llm=ChatOpenAI(model_name='gpt-3.5-turbo-16k'), retriever=vector_store.as_retriever(), prompt=prompt)
1）RetrievalQA 检索行问答链
这里使用 RetrievalQA，这种链的缺点是一问一答，是没有history的，是单轮问答。
2）自定义提示 PromptTemplate
这里还是使用到自定义提示 PromptTemplate，主要作用是使 OpenAI 能根据我们传入的向量文本为蓝本，限制它的回答范围，并要求使用中文回答。这样的好处在于，如果我们问一些非 pdf 涉及的内容，OpenAI 会返回无法作答，而不是根据自己的大模型数据来回答问题。
3）llm 模型
我们还是用 Chat 模型作为 llm 的输入模型，这里可以看到，我们使用的 model 为 gpt-3.5-turbo-16k，它可以支持 16384 个tokens，而 gpt-3.5-turbo 只支持 4096 个tokens
所以这里就回答了上面文本拆分器 chunk_size 参数，如果使用 gpt-3.5-turbo 模型，笔者尝试过，最大可能就是只能到 768，不过这个具体要看向量化以后，携带的文本的大小tokens而定。
不过使用 gpt-3.5-turbo-16k 也是有代价的，就是它比 gpt-3.5-turbo 要贵，大概是2倍的价格。
三、初始化PDF
可调整项目下的 init_pdf.py 文件，修改 pdf_path 为本地的pdf文件路径，然后执行脚本，如果控制输出 xxx is ok ，则代表处理成功。
# 将pdf切分块，嵌入和向量存储
if __name__ == '__main__':
pdf_path = './test/demo.pdf'
pfdEngine = PdfEngine(pdf_path)
raw_text = pfdEngine.get_pdf_text()
llmEngine = LlmEngine()
text_chunks = llmEngine.get_text_chunks(raw_text)
faissEngine = FaissEngine()
faissEngine.save_vector_store(text_chunks)
print(pdf_path + ' is ok')此时会看到多了一个 faiss 目录，为向量数据库保存的文件。
四、路由整合
我们将上面实现的内容整合到 chat.py 路由，主要实现 基于向量化的 pdf 文档内容进行问答。
from fastapi import APIRouter, Body, Request
from app.tool.llm import LlmEngine
from app.tool.store import FaissEngine
router = APIRouter(
prefix="/chat"
)
@router.post("/question")
async def question(
text: str = Body(embed=True)
):
faiss = FaissEngine()
vector_store = faiss.load_vector_store()
llm = LlmEngine()
chain = llm.get_qa_chain(vector_store)
response = chain({"query": text})
# reply = "回复:"
return {'success': True, "code": 0, "reply": response}1）配置 OpenAI
因为项目使用到 OpenAI 的接口，所以我们这边需要配置 api-key，还有我们云函数上的代理地址，项目默认读取了 .env 文件。
如果不需要使用代理，可项目 tool 目录下的 llm.py 和 store.py 两个脚本的对应配置。
要注意配置的 api_base 地址后面，一般云函数地址的后面要加上 /v1
四、运行和测试
至此，一个简单的基于 LangChain 库的 PDF文档问答就完成了，我们随便拿一份网上能找到保险pdf做个实验，看看效果如何
我们就来问 pdf 中的这段内容，问题是 “风险的特征有哪些？”
我们来看看回复，几个大的要点也基本答上来了，效果也算可以了。
{
"success": true,
"code": 0,
"reply": {
"query": "风险的特征有哪些？",
"result": "风险的特征包括以下几个方面：\n1. 风险的客观性：风险是一种客观存在，与人的意志无关，独立于人的意识之外的客观存在。\n2. 风险的普遍性：在社会经济生活中，人们面临各种各样的风险，从个人、企业到国家和政府机关都无处不在。\n3. 风险的损害性：风险与人们的经济利益密切相关，会给人们的经济造成损失以及对人的生命造成伤害。\n4. 某一风险发生的不确定性：虽然风险是客观存在的，但对某一具体风险而言，其发生是偶然的，是一种随机现象。\n5. 总体风险发生的可测性：虽然个别风险事故的发生是偶然的，但大量风险事故往往呈现出明显的规律性，可以通过统计方法进行准确测量。"
}
}我们再尝试问一些不在 pdf 里的问题，”如何评价中国足球”
{
"success": true,
"code": 0,
"reply": {
"query": "如何评价中国足球",
"result": "根据已知内容无法回答该问题。"
}
}这跟我们上面 自定义提示 PromptTemplate 的内容是一致的。
最后附上
仓库地址
——————————————————————————————————————————-
五、对话式问答链
from langchain.chains import RetrievalQA, ConversationalRetrievalChain
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 获取对话式问答链
def get_history_chain(vector_store):
prompt_template = """基于以下已知内容，简洁和专业的来回答用户的问题。
如果无法从中得到答案，清说"根据已知内容无法回答该问题"
答案请使用中文。
已知内容:
{context}
问题:
{question}"""
prompt = PromptTemplate(template=prompt_template,
input_variables=["context", "question"])
return ConversationalRetrievalChain.from_llm(llm=ChatOpenAI(model_name='gpt-3.5-turbo-16k'),
retriever=vector_store.as_retriever(),
combine_docs_chain_kwargs={'prompt': prompt})1）ConversationalRetrievalChain 对话式问答链
ConversationalRetrievalQA 是建立在 RetrievalQAChain 之上，提供聊天历史记录的组件。它首先将聊天记录（显式传入或从提供的内存中检索）和问题组合成一个独立的问题，然后从检索器中查找相关文档，最后将这些文档和问题传递到问答链以返回一个响应。
这里注意如果需要传入自定义 Prompt，需要使用 combine_docs_chain_kwargs={‘prompt’: prompt}，如果直接传入会提示错误。
2）使用方式
@router.post("/question_history")
async def question_history(
request: Request,
text: str = Body(embed=True)
):
vector_store = fass.load_vector_store()
chain = langchain.get_history_chain(vector_store)
# 使用session缓存对话
chat_history = request["session"].get("chat_history")
if chat_history is None:
chat_history = []
# Convert chat history to list of tuples
chat_history_tuples = []
for message in chat_history:
chat_history_tuples.append((message[0], message[1]))
response = chain({"question": text, "chat_history": chat_history_tuples})
# 保存聊天记录
chat_history.append((text, response["answer"]))
# 处理chat_history的长度，避免token过长
chat_history = chat_history[0: 10]
# 重新保存到session
request["session"]["chat_history"] = chat_history
# reply = "回复:"
return {'success': True, "code": 0, "reply": response}这里使用 session 的方式保存对话历史记录，并显式传入参数。每次作答后，整合到对话历史记录中，并保存到会话中。
需要注意的是，历史对话 chat_history 数组，需要做一次格式转换才能够正确传入，否则会报格式有误，格式需为 [(query,answer),(query,answer)]
3）总结
但是实际测试结果，本地化的知识库在使用 对话式问答链 方式，效果并不明显，可能的原因在于使用的自定义 Prompt，还有对提问的向量化处理，这些都会影响到上下文对话的理解。
如上图，这里已经提问了三轮，当我再提问 “请对上一条的问题再详细说明一下”
ai已经按照我们的自定义 Prompt，返回 “无法回答该问题”。