1. 简介
什么是 RAG
检索增强生成 (RAG) 是一种将大型语言模型 (LLM) 的强大功能与从外部知识源检索相关信息的能力相结合的技术。这意味着 LLM 不仅依赖于其内部训练数据，还可以在生成回答时访问和整合最新的特定信息。
RAG 如此流行的原因有很多：
- 提高准确性和相关性：RAG 让 LLM 以从外部来源检索到的事实信息为依据，从而提供更准确、更相关的回答。如果最新知识至关重要，例如回答有关时事的问题或提供有关特定主题的信息，这种方法尤其有用。
- 减少幻觉：LLM 有时可能会生成看似合理但实际上不正确或无意义的回答。RAG 可以验证针对外部来源生成的信息，从而帮助缓解这一问题。
- 适应性更高：RAG 使 LLM 更能适应不同的领域和任务。通过利用不同的知识来源，可以轻松自定义 LLM，以提供有关各种主题的信息。
- 增强的用户体验：RAG 可以提供信息更丰富、更可靠且更相关的回答，从而改善整体用户体验。
为什么要使用多模态
在当今数据丰富的世界中，文档通常会结合使用文字和图片来全面传达信息。然而，大多数检索增强生成 (RAG) 系统都忽视了图像中蕴含的宝贵数据洞见。随着多模态大语言模型 (LLM) 日渐盛行，我们有必要探索如何在 RAG 中利用视觉内容和文本，从而更深入地了解信息格局。
多模态 RAG 的两个选项
- 多模态嵌入 - 多模态嵌入模型会根据您提供的输入生成 1408 维向量*，其中可能包括图片、文本和视频数据的组合。图片嵌入向量和文本嵌入向量位于同一语义空间中，且维度相同。因此，这些矢量可以互换用于按文字搜索图片或按图片搜索视频等用例。请查看此演示。
- 使用多模态嵌入功能嵌入文本和图片
- 使用相似性搜索检索二者
- 将检索到的原始图像和文本块传递给多模态 LLM 以进行答案合成
- 文本嵌入 -
- 使用多模态 LLM 生成图片的文本摘要
- 嵌入和检索文本
- 将文本块传递给 LLM 以进行答案合成
什么是多向量检索器
多向量检索采用文档部分的摘要来检索原始内容以进行答案合成。它提高了 RAG 的质量，特别是表格、图形和图表等密集型任务时。如需了解详情，请访问 Langchain 的博客.
构建内容
使用场景：使用 Gemini Pro 开发问答系统
假设您的文档包含包含各种信息的复杂图表。您想提取这些数据以回答问题或查询。
在此 Codelab 中，您将执行以下操作：
- 使用 LangChain
document_loaders加载数据 - 使用 Google 的
gemini-pro模型生成文本摘要 - 使用 Google 的
gemini-pro-vision模型生成图片摘要 - 使用 Google 的
textembedding-gecko模型并将 Croma Db 作为向量存储区创建多向量检索 - 开发用于问答的多模态 RAG 链
2. 准备工作
- 在 Google Cloud Console 的项目选择器页面上，选择或创建一个 Google Cloud 项目。
- 确保您的 Google Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。
- 通过 Vertex AI 信息中心启用所有推荐的 API
- 打开 Colab 笔记本，然后登录您当前活跃的 Google Cloud 账号所用的同一账号。
3. 构建多模态 RAG
此 Codelab 使用 Python 版 Vertex AI SDK 和 Langchain 演示了如何使用 Google Cloud 实现此处所述的“选项 2”。
您可以在所参考的代码库的 Multi-modal RAG with Google Cloud 文件中参考完整代码。
4. 第 1 步：安装并导入依赖项
!pip install -U --quiet langchain langchain_community chromadb langchain-google-vertexai
!pip install --quiet "unstructured[all-docs]" pypdf pillow pydantic lxml pillow matplotlib chromadb tiktoken
输入您的项目 ID 并完成身份验证
#TODO : ENter project and location
PROJECT_ID = ""
REGION = "us-central1"
from google.colab import auth
auth.authenticate_user()
初始化 Vertex AI Platform
import vertexai
vertexai.init(project = PROJECT_ID , location = REGION)
5. 第 2 步：准备和加载数据
我们使用包含此博文中提取的图片和 PDF 文件的 ZIP 文件。如果您想遵循完整的流程，请使用原始示例。
首先下载数据
import logging
import zipfile
import requests
logging.basicConfig(level=logging.INFO)
data_url = "https://storage.googleapis.com/benchmarks-artifacts/langchain-docs-benchmarking/cj.zip"
result = requests.get(data_url)
filename = "cj.zip"
with open(filename, "wb") as file:
file.write(result.content)
with zipfile.ZipFile(filename, "r") as zip_ref:
zip_ref.extractall()
从文档加载文本内容
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./cj/cj.pdf")
docs = loader.load()
tables = []
texts = [d.page_content for d in docs]
检查第一页的内容
texts[0]
您应该会看到输出
文档中的总页数
len(texts)
预期输出为
6. 第 3 步：生成文本摘要
请先导入所需的库
from langchain_google_vertexai import VertexAI , ChatVertexAI , VertexAIEmbeddings
from langchain.prompts import PromptTemplate
from langchain_core.messages import AIMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda
获取文本摘要
# Generate summaries of text elements
def generate_text_summaries(texts, tables, summarize_texts=False):
"""
Summarize text elements
texts: List of str
tables: List of str
summarize_texts: Bool to summarize texts
"""
# Prompt
prompt_text = """You are an assistant tasked with summarizing tables and text for retrieval. \
These summaries will be embedded and used to retrieve the raw text or table elements. \
Give a concise summary of the table or text that is well optimized for retrieval. Table or text: {element} """
prompt = PromptTemplate.from_template(prompt_text)
empty_response = RunnableLambda(
lambda x: AIMessage(content="Error processing document")
)
# Text summary chain
model = VertexAI(
temperature=0, model_name="gemini-pro", max_output_tokens=1024
).with_fallbacks([empty_response])
summarize_chain = {"element": lambda x: x} | prompt | model | StrOutputParser()
# Initialize empty summaries
text_summaries = []
table_summaries = []
# Apply to text if texts are provided and summarization is requested
if texts and summarize_texts:
text_summaries = summarize_chain.batch(texts, {"max_concurrency": 1})
elif texts:
text_summaries = texts
# Apply to tables if tables are provided
if tables:
table_summaries = summarize_chain.batch(tables, {"max_concurrency": 1})
return text_summaries, table_summaries
# Get text summaries
text_summaries, table_summaries = generate_text_summaries(
texts, tables, summarize_texts=True
)
text_summaries[0]
预期输出为
7. 第 4 步：生成图片摘要
请先导入所需的库
import base64
import os
from langchain_core.messages import HumanMessage
生成图片摘要
def encode_image(image_path):
"""Getting the base64 string"""
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
def image_summarize(img_base64, prompt):
"""Make image summary"""
model = ChatVertexAI(model_name="gemini-pro-vision", max_output_tokens=1024)
msg = model(
[
HumanMessage(
content=[
{"type": "text", "text": prompt},
{
"type": "image_url",
"image_url": {"url": f"data:image/jpeg;base64,{img_base64}"},
},
]
)
]
)
return msg.content
def generate_img_summaries(path):
"""
Generate summaries and base64 encoded strings for images
path: Path to list of .jpg files extracted by Unstructured
"""
# Store base64 encoded images
img_base64_list = []
# Store image summaries
image_summaries = []
# Prompt
prompt = """You are an assistant tasked with summarizing images for retrieval. \
These summaries will be embedded and used to retrieve the raw image. \
Give a concise summary of the image that is well optimized for retrieval."""
# Apply to images
for img_file in sorted(os.listdir(path)):
if img_file.endswith(".jpg"):
img_path = os.path.join(path, img_file)
base64_image = encode_image(img_path)
img_base64_list.append(base64_image)
image_summaries.append(image_summarize(base64_image, prompt))
return img_base64_list, image_summaries
# Image summaries
img_base64_list, image_summaries = generate_img_summaries("./cj")
len(img_base64_list)
len(image_summaries)
image_summaries[0]
您应该会看到类似如下的输出：
8. 第 5 步：构建多向量检索
我们来生成文本和图片摘要，并将其保存到 ChromaDB 矢量存储区。
导入需要库
import uuid
from langchain.retrievers.multi_vector import MultiVectorRetriever
from langchain.storage import InMemoryStore
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
创建多向量检索
def create_multi_vector_retriever(
vectorstore, text_summaries, texts, table_summaries, tables, image_summaries, images
):
"""
Create retriever that indexes summaries, but returns raw images or texts
"""
# Initialize the storage layer
store = InMemoryStore()
id_key = "doc_id"
# Create the multi-vector retriever
retriever = MultiVectorRetriever(
vectorstore=vectorstore,
docstore=store,
id_key=id_key,
)
# Helper function to add documents to the vectorstore and docstore
def add_documents(retriever, doc_summaries, doc_contents):
doc_ids = [str(uuid.uuid4()) for _ in doc_contents]
summary_docs = [
Document(page_content=s, metadata={id_key: doc_ids[i]})
for i, s in enumerate(doc_summaries)
]
retriever.vectorstore.add_documents(summary_docs)
retriever.docstore.mset(list(zip(doc_ids, doc_contents)))
# Add texts, tables, and images
# Check that text_summaries is not empty before adding
if text_summaries:
add_documents(retriever, text_summaries, texts)
# Check that table_summaries is not empty before adding
if table_summaries:
add_documents(retriever, table_summaries, tables)
# Check that image_summaries is not empty before adding
if image_summaries:
add_documents(retriever, image_summaries, images)
return retriever
# The vectorstore to use to index the summaries
vectorstore = Chroma(
collection_name="mm_rag_cj_blog",
embedding_function=VertexAIEmbeddings(model_name="textembedding-gecko@latest"),
)
# Create retriever
retriever_multi_vector_img = create_multi_vector_retriever(
vectorstore,
text_summaries,
texts,
table_summaries,
tables,
image_summaries,
img_base64_list,
)
9. 第 6 步：构建多模态 RAG
- 定义实用函数
import io
import re
from IPython.display import HTML, display
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from PIL import Image
def plt_img_base64(img_base64):
"""Disply base64 encoded string as image"""
# Create an HTML img tag with the base64 string as the source
image_html = f'<img src="data:image/jpeg;base64,{img_base64}" />'
# Display the image by rendering the HTML
display(HTML(image_html))
def looks_like_base64(sb):
"""Check if the string looks like base64"""
return re.match("^[A-Za-z0-9+/]+[=]{0,2}$", sb) is not None
def is_image_data(b64data):
"""
Check if the base64 data is an image by looking at the start of the data
"""
image_signatures = {
b"\xFF\xD8\xFF": "jpg",
b"\x89\x50\x4E\x47\x0D\x0A\x1A\x0A": "png",
b"\x47\x49\x46\x38": "gif",
b"\x52\x49\x46\x46": "webp",
}
try:
header = base64.b64decode(b64data)[:8] # Decode and get the first 8 bytes
for sig, format in image_signatures.items():
if header.startswith(sig):
return True
return False
except Exception:
return False
def resize_base64_image(base64_string, size=(128, 128)):
"""
Resize an image encoded as a Base64 string
"""
# Decode the Base64 string
img_data = base64.b64decode(base64_string)
img = Image.open(io.BytesIO(img_data))
# Resize the image
resized_img = img.resize(size, Image.LANCZOS)
# Save the resized image to a bytes buffer
buffered = io.BytesIO()
resized_img.save(buffered, format=img.format)
# Encode the resized image to Base64
return base64.b64encode(buffered.getvalue()).decode("utf-8")
def split_image_text_types(docs):
"""
Split base64-encoded images and texts
"""
b64_images = []
texts = []
for doc in docs:
# Check if the document is of type Document and extract page_content if so
if isinstance(doc, Document):
doc = doc.page_content
if looks_like_base64(doc) and is_image_data(doc):
doc = resize_base64_image(doc, size=(1300, 600))
b64_images.append(doc)
else:
texts.append(doc)
if len(b64_images) > 0:
return {"images": b64_images[:1], "texts": []}
return {"images": b64_images, "texts": texts}
- 定义特定领域的图片提示
def img_prompt_func(data_dict):
"""
Join the context into a single string
"""
formatted_texts = "\n".join(data_dict["context"]["texts"])
messages = []
# Adding the text for analysis
text_message = {
"type": "text",
"text": (
"You are financial analyst tasking with providing investment advice.\n"
"You will be given a mixed of text, tables, and image(s) usually of charts or graphs.\n"
"Use this information to provide investment advice related to the user question. \n"
f"User-provided question: {data_dict['question']}\n\n"
"Text and / or tables:\n"
f"{formatted_texts}"
),
}
messages.append(text_message)
# Adding image(s) to the messages if present
if data_dict["context"]["images"]:
for image in data_dict["context"]["images"]:
image_message = {
"type": "image_url",
"image_url": {"url": f"data:image/jpeg;base64,{image}"},
}
messages.append(image_message)
return [HumanMessage(content=messages)]
- 定义多模态 RAG 链
def multi_modal_rag_chain(retriever):
"""
Multi-modal RAG chain
"""
# Multi-modal LLM
model = ChatVertexAI(
temperature=0, model_name="gemini-pro-vision", max_output_tokens=1024
)
# RAG pipeline
chain = (
{
"context": retriever | RunnableLambda(split_image_text_types),
"question": RunnablePassthrough(),
}
| RunnableLambda(img_prompt_func)
| model
| StrOutputParser()
)
return chain
# Create RAG chain
chain_multimodal_rag = multi_modal_rag_chain(retriever_multi_vector_img)
10. 第 7 步：测试查询
- 检索相关文档
query = "What are the EV / NTM and NTM rev growth for MongoDB, Cloudflare, and Datadog?"
docs = retriever_multi_vector_img.get_relevant_documents(query, limit=1)
# We get relevant docs
len(docs)
docs
You may get similar output
plt_img_base64(docs[3])
- 针对同一查询运行 RAG
result = chain_multimodal_rag.invoke(query)
from IPython.display import Markdown as md
md(result)
示例输出（可能在您执行代码时有所不同）
11. 清理
为避免系统因此 Codelab 中使用的资源向您的 Google Cloud 账号收取费用，请按以下步骤操作：
- 在 Google Cloud 控制台中，前往管理资源页面。
- 在项目列表中，选择要删除的项目，然后点击删除。
- 在对话框中输入项目 ID，然后点击关停以删除项目。
12. 恭喜
恭喜！您已成功使用 Gemini 开发了多模态 RAG。