RAG實作教學，Streamlit+LangChain+Llama2 | Demo 版本

上一篇示範了如何實作 RAG（Retrieval-Augmented Generation）的核心部分。 這次，我們將重點放在如何使用 Streamlit 來建立一個視覺化的操作介面，以便 Demo 整個 RAG 的工作流程。與上篇介紹的不同的是我把 Gradio 換成 streamlit，因為我最近在寫 streamlit 的專案，相對比較熟悉，當然，你也可以選擇使用 Gradio 來達到相同的效果。

相關 Tech Stack：

• Python 3.7+
• LangChain: 一個強大的庫，用於建立和管理語言模型。
• Chroma: 用於處理和分析文字資料。
• Streamlit: 用於建構和分享美觀的資料應用。
• Llama2 或 OpenAI API: 選擇使用自建的 LLM 伺服器或是 OpenAI 提供的 API。
• PDF: 作為資訊的來源和查詢的基礎。

實現流程：

1. 連接 LLM：在這個 Demo 中，我們可以選擇要使用自己架設的 LLM server 或使用 openAI API
2. 文件上傳與處理：使用者可以上傳 PDF 文檔，系統會使用 Chroma 對文檔進行處理，包括文字分割和嵌入等操作。
3. 資料儲存：處理後的資料會儲存到資料庫中，以便於後續的檢索和分析。
4. 互動式查詢：使用者可以透過一個友善的介面向系統提問，系統會根據問題從資料庫中檢索相關信息，並利用 LLM 產生答案。

實際畫面：

Demo 的畫面中，我是用自己本地的 LLM 模型，並使用 llama.cpp 開設 API service，因此你可以看到 URL 是： http://127.0.0.1:8080/v1，如果這部分不清楚可以參考 llama.cpp 教學，你也可以選擇使用 openAI API。

上傳 PDF 使用的文件一樣與上一篇一樣，是使用虛擬人物 Alison Hawk 的資訊，裡面記錄了他的職業與個性，因此你可以看到 Demo 中我詢問 Alison Hawk 的職業是甚麼，而 LLM 有拿到 PDF 的訊息準確回答。

建立你的 Demo

如果你對這個專案感興趣，並想親自嘗試建造和運行，我將 code 放在 github，你可以藉由以下步驟快速架設你自己的 streamlit Demo：

步驟1. Clone 專案

git clone https://github.com/wsxqaza12/RAG_LangChain_streamlit.git
cd RAG_LangChain_streamlit

步驟2. 準備環境

conda create -n RAG_streamlit python=3.7
conda activate RAG_streamlit
pip install -r requirements.txt

步驟3. 啟動 streamlit

streamlit run rag_engine.py

完成上述步驟後，你應該可以看到一個友善的 Streamlit 應用程式介面。在這個介面上，你可以上傳 PDF，查詢訊息，並觀察 LLM 如何從你提供的資料中擷取資訊，注意如果你要使用你自己的 LLM，記得先在另外的 process 啟動。

希望這篇文章能幫助你更好地理解 RAG 的實現過程，並透過 Streamlit 創建出色的互動式 Demo。如果有任何問題，歡迎在專案的 GitHub 頁面上提出。