全端 LLM 應用開發-Day26-用 Langchain 來做 PDF 文件問答

15th鐵人賽

大魔術熊貓工程師

2023-10-11 23:10:04

5964 瀏覽

分享至

全端 LLM 應用開發-Day26-用 Langchain 來做 PDF 文件問答

今天我們把昨天的程式碼整理一下，並且加上新功能：把 PDF 載入，然後產生 embedding 存進去 Qdrant。然後我們再用 RAG 的手法，把問題從向量資料庫抓出來，再透過 ChatGPT 來生成答案。

Langchain 很強的地方，就是有整合裡 Python 生態系裡的許多功能。document_loaders 是載入資料的方式，我們可以透過這裡面的工具，來讀取文件。我們今天要讀取 PDF，還需要安裝 pypdf，我們使用指令 poetry add pypdf。
如果你要使用原生的 pypdf 套件也是可以的。事實上如果有更多細節要調整的話，直接使用原生套件才是最好的。不過我們在這裡也是使用 langchain 幫忙整合好的 from langchain.document_loaders import PyPDFLoader
接著我們開始來寫程式碼，建立一個 python 檔叫 langchain_qdrant.py，先來把所需要套件引入，包括 Langchain、OpenAI、文件載入工具、文字切分器等。


import openai
from langchain.document_loaders import PyPDFLoader
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Qdrant
from langchain.chat_models.azure_openai import AzureChatOpenAI
from langchain.chains import ConversationalRetrievalChain

再來設定 Azure Open AI 所需的資訊。需要注意，我們要在 Azure Open AI 裡開起來一個 GPT-3.5 turbo 同等級或以上的模型，並填上該 deployment 的資料。

OPENAI_API_KEY = "yourkey"
OPENAI_EMBEDDING_DEPLOYMENT_NAME = "embedding-ada-002"
OPENAI_EMBEDDING_MODEL_NAME = "text-embedding-ada-002"
OPENAI_DEPLOYMENT_NAME = "gpt-35-16k"
MODEL_NAME = "gpt-35-turbo-16k"
OPENAI_DEPLOYMENT_ENDPOINT = "https://japanopenai2023ironman.openai.azure.com/"
OPENAI_API_TYPE = "azure"
OPENAI_API_VERSION = "2023-03-15-preview"

接著我們重構昨天用的 OpenAIEmbeddings，貼上以下的程式碼。


def get_embeddings():
    
    return OpenAIEmbeddings(
        openai_api_key=OPENAI_API_KEY,
        openai_api_base=OPENAI_DEPLOYMENT_ENDPOINT,
        openai_api_version=OPENAI_API_VERSION,
        openai_api_type=OPENAI_API_TYPE,
        deployment=OPENAI_EMBEDDING_DEPLOYMENT_NAME,
        model=OPENAI_EMBEDDING_MODEL_NAME,
        chunk_size=1
    )

接著，我們使用 Langchain 內建的載入資料的套件。

def load_and_split_documents(filepath="./pdf/qa.pdf"):

    loader = PyPDFLoader(filepath)
    documents = loader.load()
    text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=100)
    return text_splitter.split_documents(documents)

我們這裡的 qa.pdf 是抓政府的未滿 2 歲兒童托育補助問答集，可以去下面這個連結下載。

https://magicpandaengineer.blob.core.windows.net/img/2023ironman/qa.pdf

再來我們把 Qdrant 給建立起來。跟昨天一樣是把資料和 embedding model 放進去就好了。


def get_document_store(docs, embeddings):
    return Qdrant.from_documents(
        docs,
        embeddings,
        url="http://localhost:6333",
        collection_name="PDF_Langchain",
        force_recreate=True
    )

再來我們建立 Chat model，就是我們的 GPT-3.5 turbo

def get_chat_model():

    return AzureChatOpenAI(
        openai_api_key=OPENAI_API_KEY,
        openai_api_base=OPENAI_DEPLOYMENT_ENDPOINT,
        openai_api_type=OPENAI_API_TYPE,
        openai_api_version=OPENAI_API_VERSION,
        deployment_name=OPENAI_DEPLOYMENT_NAME,
        model_name=MODEL_NAME,
    )

接著我們把 QA 和 chat history 給建立起來。

def ask_question_with_context(qa, question, chat_history):

    query = ""
    result = qa({"question": question, "chat_history": chat_history})
    print("answer:", result["answer"])
    chat_history = [(query, result["answer"])]
    return chat_history

接著進入我們的主程式，注意 ConversationalRetrievalChain 這裡的使用方法。


def main():

    embeddings = get_embeddings()
    docs = load_and_split_documents()
    doc_store = get_document_store(docs, embeddings)
    llm = get_chat_model()

    qa = ConversationalRetrievalChain.from_llm(
        llm=llm,
        retriever=doc_store.as_retriever(),
        return_source_documents=True,
        verbose=False
    )

    chat_history = []
    while True:
        query = input('you: ')
        if query == 'q':
            break
        chat_history = ask_question_with_context(qa, query, chat_history)


if __name__ == "__main__":
    main()