原创 Paper | 从零开始搭建本地安全 AI 大模型攻防知识库

作者： Hcamael @知道创宇404实验室

时间： 2024年8月7日

本文将系统分享从零开始搭建本地大模型问答知识库过程中所遇到的问题及其解决方案。

1 概述

目前，搭建大语言问答知识库能采用的方法主要包括微调模型、再次训练模型以及增强检索生成（RAG，Retrieval Augmented Generation）三种方案。

而我们的目标是希望能搭建一个低成本、快速响应的问答知识库。由于微调/训练大语言模型需要耗费大量资源和时间，因此我们选择使用开源的本地大型语言模型结合RAG方案。经过测试，我们发现 llama3:8b 和 qwen2:7b 这种体量的大语言模型能快速响应用户的提问，比较符合我们搭建问答知识库的需求。

我们花了一段时间，对RAG各个步骤的原理细节和改进方案进行了一些研究，下面将按照RAG的步骤进行讲解。

1.1 简述RAG原理

首先，我们来讲解一下RAG的原理。假设我们有三个文本和三个问题，如下所示：

1context = [
2    "北京，上海，杭州",
3    "苹果，橘子，桃子",
4    "太阳，月亮，星星"
5]
6questions = ["城市", "水果", "天体"]

接下来使用ollama的 mxbai-embed-large 模型，把三个文本和三个问题都转化为向量的表示形式，代码如下所示：

1vector = []
2model = "mxbai-embed-large"
3for c in context:
4    r = self.engine.embeddings(c, model=model)
5    vector += [r]
6    print("r =", r)
7'''
8r = [-0.4238928556442261, -0.037000998854637146, ......
9'''
10qVector = []
11for q in questions:
12    r = self.engine.embeddings(q, model=model)
13    qVector += [r]
14    print("r =", r)
15'''
16q = [-0.3943982422351837,
17'''

接下来使用numpy模块来编写一个函数，计算向量的相似度，代码如下所示：

1def cosine_similarity(self, a, b):
2    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
3for i in range(3):
4    for j in range(3):
5        similar = self.engine.cosine_similarity(qVector[i], vector[j])
6        print(f"{questions[i]}和{context[j]}的相似度为：{similar}")
7'''
8城市和北京，上海，杭州的相似度为：0.6192201604133171
9城市和苹果，橘子，桃子的相似度为：0.6163859899608889
10城市和太阳，月亮，星星的相似度为：0.5885895914816769
11
12水果和北京，上海，杭州的相似度为：0.6260800765574224
13水果和苹果，橘子，桃子的相似度为：0.6598514846105531
14水果和太阳，月亮，星星的相似度为：0.619382129127254
15
16天体和北京，上海，杭州的相似度为：0.5648588692973202
17天体和苹果，橘子，桃子的相似度为：0.6756043740633552
18天体和太阳，月亮，星星的相似度为：0.75651740246562
19'''

从上面的示例可以看出，计算出的结果值越大，表示两个文本之间的相似度越高。上述过程是RAG原理的简化版。

有一定基础的都知道，大语言模型本质上就是计算概率，因此它只能回答训练数据中包含的内容。如果要搭建一个问答知识库，并且该知识库的内容是公开的，那么这些内容很可能已经包含在大模型的训练数据集中。在这种情况下，不需要进行任何额外操作，可以直接使用大模型进行问答，这也是目前大多数人使用大语言模型的普遍方式。

然而，我们要搭建的本地知识库大部分包含私有数据，这些内容并不存在于当前大语言模型的训练数据集中。在这种情况下，可以考虑对大模型进行微调或重新训练，但这种方案既费时又费钱。

因此，更常用的方案是将知识库的内容放入到prompt中，让大语言模型通过我们提供的内容来进行回答。但是该方案存在一个问题，那就是token的长度限制（上下文长度限制）。比如，本地大语言模型中的 qwen2:7b ， token 的最大长度为 128k ，表示输入的上下文通过 AutoTokenizer 计算出的长度不能超过128k，但是正常情况下，知识库的大小超过128k是很正常的。我们不可能把所有的知识库内容都放入到prompt中，因此就有了RAG方案。

RAG的方案步骤如下所示：

对知识库根据一定的大小进行分片处理。
使用embedding大模型对分片后的知识库进行向量化处理。
使用embedding大模型对用户的问题也进行向量化处理。
把用户问题的向量和知识库的向量数据进行相似度匹配，找出相似度最高的k个结果。
把这k个结果作为上下文放入到prompt当中，跟着用户的问题进行提问。

在开头的例子中， context 变量相当于知识库的内容， "城市" 就相当于用户提出的问题，接着通过相似度计算， "北京，上海" 是最接近的信息，所以接着把该信息作为提问的上下文提供给GPT进行问答。

一个简单的prompt示例如下所示：

1prompt = [
2  {
3      "role": "user",
4      "content": f"""当你收到用户的问题时，请编写清晰、简洁、准确的回答。
5你会收到一组与问题相关的上下文，请使用这些上下文，请使用中文回答用户的提问。不允许在答案中添加编造成分，如果给定的上下文没有提供足够的信息，就回答"##no##"。
6不要提供与问题无关的信息，也不要重复。
7> 上下文：
8>>>
9{context}
10>>>
11> 问题：{question}
12"""
13  }
14]

1.2 使用redis-search计算相似度

在上述的例子中，是自行编写了一个 cosine_similarity 函数来计算相似度，但是在实际的应用场景中，知识库的数据会非常大，这会导致计算相似度的速度非常慢。

经过研究发现，能对向量进行存储并且快速计算相似度的工具有：

redis-search
chroma
elasticsearch
opensearch
lancedb
pinecone
qdrant
weaviate
zilliz

下面分享一个使用redis-search的KNN算法来快速找到最相似的k个内容的方案。

首先搭建 redis-search 环境，可以使用docker一键搭建，如下所示：

1$ docker pull redis/redis-stack
2$ docker run --name redis -p6379:6379 -itd redis/redis-stack

接着编写相关python代码，如下所示：

1# 首先定义一个redis相关操作的类
2import redis
3from redis.commands.search.query import Query
4from redis.commands.search.field import TextField, VectorField
5
6class RedisCache:
7    def __init__(self, host: str = "localhost", port: int = 6379):
8        self.cache = redis.Redis(host=host, port=port)
9
10    def set(self, key: str, value: str):
11        self.cache.set(key, value)
12
13    def get(self, key: str):
14        return self.cache.get(key)
15
16    def TextField(self, name: str):
17        return TextField(name=name)
18
19    def VectorField(self, name: str, algorithm: str, attributes: dict):
20        return VectorField(name=name, algorithm=algorithm, attributes=attributes)
21
22    def getSchema(self, name: str):
23        return self.cache.ft(name)
24
25    def createIndex(self, index, schema):
26        try:
27            index.info()
28        except redis.exceptions.ResponseError:
29            index.create_index(schema)
30
31    def dropIndex(self, index):
32        index.dropindex(delete_documents=True)
33
34    def hset(self, name: str, map: dict):
35        self.cache.hset(name=name, mapping=map)
36
37    def query(self, index, base_query: str, return_fields: list, params_dict: dict, num: int, startnum: int = 0):
38        query = (
39            Query(base_query)
40            .return_fields(*return_fields)
41            .sort_by("similarity")
42            .paging(startnum, num)
43            .dialect(2)
44        )
45        return index.search(query, params_dict)
46
47# 初始化类
48redis = RedisCache()
49# 定义一个文本类型，用来储存知识库内容
50info = TextField("info")
51# 建立一个向量类型，使用HNSW算法
52name="embedding"
53algorithm="HNSW"
54# DIM计算方法
55r = self.engine.embeddings(q, model=model)
56DIM = len(r)
57attributes={
58    "TYPE": "FLOAT32",
59    "DIM": DIM,
60    "DISTANCE_METRIC": "COSINE"
61}
62embed = VectorField(
63    name=name, algorithm=algorithm, attributes=attributes
64)
65# 创建索引
66scheme = (info, embed)
67index = redis.getSchema(self.redisIndexName)
68redis.createIndex(index, scheme)
69
70# 接着把所有知识库内容进行向量化后储存进redis中
71def insertData(self, model):
72    j = 0
73    for file in self.filesPath:
74        for i in file.content:
75            # i就是分片后的知识库内容
76            embed = self.engine.embeddings(i, model = model)
77            emb = numpy.array(embed, dtype=numpy.float32).tobytes()
78            im = {
79                "info": i,
80                "embedding": emb,
81            }
82            name = f"{self.redisIndexName}-{j}"
83            j += 1
84            self.redis.hset(name, im)
85
86# 查询
87# 取最接近的10个结果
88k = 10
89base_query = f"* => [KNN {k} @embedding $query_embedding AS similarity]"
90return_fields = ["info", "similarity"]
91# question为用户的问题
92qr = self.engine.embeddings(question, model = model)
93params_dict = {"query_embedding": np.array(qr, dtype=np.float32).tobytes()}
94index = self.redis.getSchema(self.redisIndexName)
95result = self.redis.query(index, base_query, return_fields, params_dict, k)
96for _, doc in enumerate(result.docs):
97    # 查看相似度值和上下文内容
98    print(doc.info, doc.similarity)

2 RAG知识库难点

在了解了RAG的原理后，我们就可以尝试编写相关代码，搭建一个本地问答知识库。但是在我们开始行动后，就会发现事情并不会按照我们所预料的发展。

2.1 难点一：大语言模型能力不足

在我们的设想中，问答知识库是这样工作的：

根据用户的提问，在知识库中找到最相似k个的内容。
把这k个内容作为上下文，提供给大模型。
大模型根据用户提问的上下文，给出准确的答案。

但是在实际应用的过程中，程序却无法按照我们的意愿运行，首先是问答的大语言模型能力不足，毕竟我们使用的是 qwen2:7b 这种小体积的大模型，无法和 GPT4 这类的大模型相比较。但是修改一下提问的方式或者上下文和问题之间的顺序，还是能比较好的达到我们预期的效果。

但是更重要的是embed大模型的能力同样存在不足，这里用开头例子进行说明，我们把 context 的内容简单修改一下，如下所示：

1context = [
2    "北京，上海，杭州",
3    "苹果，橘子，梨",
4    "太阳，月亮，星星"
5]

然后再计算一次相似度，如下所示：

1城市和北京，上海，杭州的相似度为：0.6192201604133171
2城市和苹果，橘子，梨的相似度为：0.6401285511286077
3城市和太阳，月亮，星星的相似度为：0.5885895914816769
4
5水果和北京，上海，杭州的相似度为：0.6260800765574224
6水果和苹果，橘子，梨的相似度为：0.6977096659034031
7水果和太阳，月亮，星星的相似度为：0.619382129127254
8
9天体和北京，上海，杭州的相似度为：0.5648588692973202
10天体和苹果，橘子，梨的相似度为：0.7067548826946035
11天体和太阳，月亮，星星的相似度为：0.75651740246562

我们发现， "城市" 竟然和 "苹果，橘子，梨" 是最相似的。虽然这只是一个简单的例子，但是在实际的应用中经常会遇到这类的情况，通过用户提问的内容找到的知识库中最相似的内容有可能跟问题并不相关。

这是否是本地embed大模型的问题？OpenAI的embed大模型效果如何？接着我们找了一些本地embed大模型和OpenAI的 text-embedding-3-small 、 text-embedding-ada-002 、 text-embedding-3-large 进行一个简单的测试，判断通过问题找到的最相似的知识库上下文，是否是预期的内容。

最终的结果是，不管是本地的大模型还是OpenAI的大模型，成功率都在50%-60%之间。embed大模型的能力差是普遍存在的问题，并不仅仅是本地embed大模型的问题。

该问题经过我们一段时间的研究，找到了“将就”能用的解决方案，将会在后文细说。

2.2 难点二：提问的复杂性

理想中的问答知识库是能处理复杂问题，并且能进行多轮对话，而不是一轮提问就结束。

以 Seebug Paper 作为知识库，提出的问题具体到某一篇文章，并且多轮对话之间的问题是相互独立的，这种情况是最容易实现的。比如：

1user: 帮我总结一下CVE-2024-22222漏洞。
2assistant: ......  
3user: CVE-2023-1111漏洞的危害如何？
4assistant: ......  
5......

但是想要让问答知识库成为一个好用的产品，不可能把目标仅限于此，在实际的应用中还会产生多种复杂的问题。

1.范围搜索性提问

参考以下几种问题：

2024年的文章有哪些？
CTF相关的文章有哪些？
跟libc有关的文章有哪些？
......

拿第一个问题举例，问题为： 2024年的文章有哪些？ 。

接着问答知识库的流程为：

通过embed模型对问题进行向量化。
通过redis搜索出问题向量数据最接近的k个知识库内容。(假设k=10)
然后把这10个知识库内容作为上下文，让GPT进行回答。

如果按照上面的逻辑来进行处理，最优的情况就是，问答大模型根据提供的10个知识库上下文成功的回答了10篇2024年的文章。

这样问题就产生了，如果2024年的文章有20篇呢？也许我们可以提高k值的大小，但是k值提高的同时也会增加运算时间。虽然看似临时解决了问题，但是却产生了新问题，k值提高到多少？提高到20？那如果2024年的文章有50篇。提高到100？那如果2024年的文章如果只有1篇，该方案就浪费了大量运算时间，同时可能会超过大语言模型的token限制，如果使用的是商业GPT(比如OpenAI)，那么token就是金钱，这就浪费了大量资金。如果使用的是开源大语言模型，token同样有限制，并且在token增加的同时，大语言模型的能力也会相应的下降。

2.多轮对话

参考以下多轮提问：

user: 2024年的文章有哪些？
assistant: ......
user: 还有吗？

问答知识库在处理第二个提问的流程为：

通过embed模型对 "还有吗？" 问题进行向量化。
通过redis搜索出问题向量数据最接近的k个知识库内容。(假设k=10)
......

问题产生了，根据 "还有吗？" 搜索出的相似上下文会是我们需要的上下文吗？基本上不可能是。

该问题经过我们一段时间的研究，同样是找到了“将就”能用，但是并不优雅的解决方案，将会在后文细说。

2.3 难点三：文本的处理

在使用 Seebug Paper 搭建问答知识库的过程中，发现两个问题：

文章中的图片怎么处理？
文章长度一般在几k到几十k之间，因此是需要分片处理的，那么如何分片？

关于图片处理勉强还有一些解决方案：

使用OCR识别将图片转换为文字。（效果不太好，因为有些图片重要的不是文字。）
使用llava这类的大模型来对图片进行描述和概括（llava效果不太好，不过gpt4的效果会好很多）。
直接加上如下图所示，并且在prompt中告诉GPT，让其需要用到图片时，直接返回图片的链接。

但是分片的问题却不是很好处理，如果要进行分片，那么如何分片呢？研究了 llama_index 和 langchain 框架，基本都是根据长度来进行分片。

比如在 llama_index 中，对数据进行分片的代码如下所示：

1from llama_index import SimpleDirectoryReader
2from llama_index.node_parser import SimpleNodeParser
3
4documents = SimpleDirectoryReader(input_dir="./Documents").load_data()
5node_parser = SimpleNodeParser.from_defaults(chunk_size=514, chunk_overlap=80)
6nodes = node_parser.get_nodes_from_documents(documents)

在上面的示例代码中，设置了 chunk_size 的值为514，但是在Paper中，经常会有内嵌的代码段长度大于514，这样就把一段相关联的上下文分在了多个不同的chunk当中。

假设一个相关联的代码段被分成了chunk1和chunk2，但是根据用户问题搜索出相似度前10的内容中只有chunk2并没有chunk1，最终GPT只能获取到chunk2的上下文内容，缺失了chunk1的上下文内容，这样就无法做出正确的回答。

不仅仅是代码段，如果只是通过长度进行分片，那么有可能相关联的内容被分成了多个chunk。

3 将就能用的解决方案

下面分享一些针对上面提出的难点研究出的解决方案，但是仅仅只是将就能用的方案，都是通过时间换准确率，暂时没找到完美的解决方案。

3.1 rerank模型

通过研究 QAnything 项目，发现可以使用rerank模型来提升embed模型的准确率。

举个例子，比如你想取前10相似的内容作为提问的上下文。那么可以通过redis获取到前20相似的内容，接着通过rerank模型对这20个内容进行重打分，最后获取前10分数最高的内容。相关代码示例如下所示：

1from BCEmbedding import RerankerModel
2
3# 初始化rerank模型
4rerankModel = RerankerModel(model_name_or_path="maidalun1020/bce-reranker-base_v1", local_files_only=True)
5
6......
7# 搜索出知识库中与用户问题相似度最高的前20个内容
8k = 20
9result = self.redis.query(index, base_query, return_fields, params_dict, k)
10passages = []
11for _, doc in enumerate(result.docs):
12    passages += [doc.info]
13# 根据用户提问，对这20个内容进行重打分
14rerank_results = rerankModel.rerank(question, passages)
15info = rerank_results["rerank_passages"]
16last_result = info[:10]

rerank 模型本质上就是训练出了一个专门打分的大语言模型，让该模型对问题和答案进行打分。该方案一定程度上可以提升搜索出内容的准确度，但是仍然无法完美解决难点一的问题。

3.2 上下文压缩

通过研究 LLMLingua 和 langchain 项目，发现了上下文压缩方案。

在上面的例子中，都是以 k=10 来举例的，那么k的值等于多少才合适呢，这需要根据知识库分片的大小和大语言模型的能力来调整。

首先，要求上下文的长度加上prompt的内容不能超过大语言模型token长度的限制。其次，基本所有的大语言模型都会随着上下文的增加导致能力下降。所以需要根据使用的大语言模型找到一个长度阙值，来设置k的大小。

在实际应用中，会发现前k个上下文中可能大部分内容都跟用户的提问无关，因此可以使用上下文压缩技术，去除无用的内容，减小上下文体积，增加k值大小。

由于 LLMLingua 项目使用的模型有点大，跑起来费时费电（跑不起来），所以根据其原理，实现了一个低级版本的压缩代码，如下所示：

1def compress(self, question: str, context: list[str], maxToken: int = 1024) -> list[str]:
2        template = f"下面将会提供问题和上下文，请判断上下文信息是否和问题相关，如果不相关，请回复##no##，如果相关，请提取出和上下文相关的内容。*注意*：请直接提取出上下文的关键内容，请*不要*自行发挥，*不要*进行任何修改或者压缩删减操作。\n\n> 问题：{question}\n> 上下文:\n>>>\n%s\n>>>"
3        result = []
4        for c in context:
5            qs = template%c
6            answer = self.engine.chat(qs)
7            # print(c, answer)
8            # input()
9            if "##no##" not in answer:
10                result += [answer]
11        newContent = "\n".join(result)
12        question = f"你是一个去重机器人，下面将会提供一组上下文，请你对上下文进行去重处理。*注意*，请*不要*自行发挥，*不要*进行任何添加修改，请直接在上下文内容中进行去重。\n上下文：>>>\n{newContent}\n>>>"
13        answer = self.engine.chat(question)
14        return answer

由于有了上下文压缩方案，我们可以考虑设置k的值为一个非常大的值，然后分析计算出的相似度的值，比如我发现在我的案例中，redis搜索结果相似度大于 0.4 的内容就完全跟提问无关，rerank重打分分数小于 0.5 的内容完全跟提问无关，所以可以做出以下修改：

1k = 1000
2......
3passages = []
4for _, doc in enumerate(result.docs):
5    # 只取相似度小于0.4的内容
6    if float(doc.similarity) > 0.4:
7        break
8    passages += [doc.info]
9rerank_results = rerankModel.rerank(questionHistory, passages)
10info = rerank_results["rerank_passages"]
11score = rerank_results["rerank_scores"]
12contexts_list = []
13for i in range(len(info)):
14    # 只取重打分后分数大于0.5的
15    if float(score[i]) > 0.5:
16        contexts_list += [info[i]]
17    else:
18        break
19# 上下文压缩
20contexts = self.compress(question, contexts_list)

通过以上方案，一定程度上解决了 范围性搜索提问 的难题。同样，我们可以尝试寻找一个相似度分数的阙值，来解决 多轮对话 的难题，因为 "还有吗？" 这类的多轮对话问题和知识库的相关性非常低，得到的分数都会非常低。这样当我们最终获取到的上下文内容为空时，表明当前为多轮对话，再按照对轮对话的逻辑进行处理。