1 概述

大语言模型虽然已经有了很多的背景知识，但针对模型训练之后新产生的内容，或者领域内的知识进行提问，大模型本身通常无法准确给出回应，一个常用的解决方法是，借助检索增强生成（RAG），将能够用于回答问题的相关上下文给到大模型，利用大模型强大的理解和生成能力，来缓解这个问题。

本文主要介绍如何借助搜索引擎，获取比较新的内容，并对这部分内容的问题进行回答。首先会简单介绍原理，然后是环境准备，代码介绍，最后会通过Chainlit，构造一个完整的可视化Demo。

本文所介绍方法，不需要使用付费大语言模型API，整个流程可以在一台笔记本电脑（8GB以上内存）上运行。效果如下：

2 基本原理

本文所介绍内容，总体依然是RAG，下面是总体处理流程。

AI搜索问答并非在用户输入问题时才去互联网爬取数据，这样会来不及处理，通常都是借助搜索引擎。从搜索引擎获取到相关文档后，后续的所有流程，就跟一般的RAG完全一致了。

image.png

3 环境准备

3.1 操作系统

本文使用的所有组件、库，在Windows、Linux、macOS上都可以安装，理论上在这三个系统上都可以正常运行，但没有对所有系统做兼容性测试，下文以macOS 14.4 Sonoma系统，ARM系列芯片笔记本电脑的环境为例进行介绍。

3.2 Python环境准备

推荐使用Anaconda或者Miniconda准备Python环境，具体兼容的Python版本没有做完整测试，本文所使用的是Python 3.11.4。Python安装完成后，安装如下依赖包：

pip install -r requirements.txt

3.3 Ollama安装及模型下载

Ollama是一个能够在本地运行大语言模型的应用，可以直接在命令行中进行问答交互、或者使用相应的API（本文要用到的方式），以及使用第三方GUI工具，如Lobechat等。

从Ollama官网下载并安装对应操作系统的Ollama，Ollama详细的安装配置，请参考Ollama官网。

3.3.1 模型下载

Ollama安装好之后，在命令行中，执行如下两条命令，下载相应的大语言模型和向量模型：

ollama pull qwen:7b  
ollama pull znbang/bge:large-zh-v1.5-q8_0

在Ollama官方的Models页面，提供了非常多支持的模型，如果对相关模型比较熟，可以根据机器的配置选择更大或更小的模型。

下载完成后，执行如下命令，进行二次确认，确保下图中框选的部分在列表中：

ollama list

ollama_list.png

使用如下命令，检查大语言模型是否可以正常工作：

ollama run qwen:7b

ollama_run.png

如果输出如上图所示内容，则说明大语言模型工作正常。输入/exit退出问答界面。

3.3.2 使用API

3.3.2.1 大语言模型

如果是依照本文，在本机安装Ollama，执行如下Python代码：

from langchain\_community.llms.ollama import Ollama  
  
model\_name = 'qwen:7b'  
model = Ollama(base\_url='http://localhost:11434', model=model\_name)  
  
print(model('你是谁'))  

如果输出如下内容，则表示API调用正常：

我是阿里云研发的大规模语言模型，我叫通义千问。  

如果Ollama安装在其他机器，替换上述代码中的base_url

3.3.2.2 向量模型

类似大语言模型的部分，执行如下Python代码：

from langchain\_community.embeddings import OllamaEmbeddings  
  
embedding\_model = OllamaEmbeddings(  
    base\_url='http://localhost:11434',  
    model='znbang/bge:large-zh-v1.5-q8\_0'  
)  
print(embedding\_model.embed\_query('你是谁'))  

如果输出类似如下内容，则表明向量模型API调用正常：

\[0.8701383471488953, 0.926769495010376, ...  

3.4 搜索引擎API准备

许多搜索引擎都有专门的API，只需要两三行代码即可获取结果，本文使用Bing中文版网页请求地址，借助BeautifulSoup库解析结果的方式，获取Bing搜索结果。

执行如下代码：

def search\_with\_bing(query):  
    import requests  
    from bs4 import BeautifulSoup  
    from urllib.parse import quote   
    url = f'https://cn.bing.com/search?q={quote(query)}'  
    headers = {  
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10\_15\_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36'  
    }  
    resp = requests.get(url, headers=headers)  
    soup = BeautifulSoup(resp.text, 'html.parser')  
      
    result\_elements = soup.select('#b\_results > li')  
    data = \[\]  
  
    for parent in result\_elements:  
        if parent.select\_one('h2') is None:  
            continue  
        data.append({  
            'title': parent.select\_one('h2').text,  
            'abstract': parent.select\_one('div.b\_caption > p').text.replace('\\u2002', ' '),  
            'link': parent.select\_one('div.b\_tpcn > a').get('href')  
        })  
    return data  
  
search\_with\_bing('大语言模型')  

如果结果类似如下所示，则表明执行成功：

\[{'title': '什么是LLM大语言模型？Large Language Model，从量变到质变',  
  'abstract': '网页2023年4月17日 · 大语言模型（英文：Large Language Model，缩写LLM），也称大型语言模型，是一种人工智能模型，旨在理解和生成人类语言。. 它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。. LLM的特点是 规模庞大，包含数十亿的参数 ...',  
  'link': 'https://zhuanlan.zhihu.com/p/622518771'},  
 {'title': '什么是大模型（LLMs）？一文读懂大型语言模型（Large ...',  
  'abstract': '网页2 天之前 · 大模型是指具有大规模参数和复杂计算结构的机器学习模型。这些模型通常由 深度神经网络 构建而成，拥有数十亿甚至数千亿个参数。大模型的设计目的是为了提高模型的表达能力和预测性能，能够处理更加复杂的任务和数据。大模型在各种领域都有广泛的应用，包括自然语言处理、计算机视觉、语音识别和 推荐系统 等。大模型通过训练海量数据 …',  
  'link': 'https://www.aigc.cn/large-models'},  
 {'title': '一文读懂“大语言模型” - 知乎',  
  'abstract': '网页2023年7月17日 · 谷歌的 Gen AI 开发工具介绍. 2、大语言模型介绍. 2.1 大语言模型的定义. 大语言模型是深度学习的分支. 深度学习是机器学习的分支，大语言模型是深度学习的分支。机器学习是人工智能（AI）的一个子领域，它的核心是让计算机系统能够通过对数据的学习来提高性能。在机器学习中，我们不是直接编程告诉计算机如何完成任务，而是提供大量 …',  
  'link': 'https://zhuanlan.zhihu.com/p/644183721'},  
...  

4 主要流程

4.1 使用搜索引擎检索互联网内容

使用上文提到的search_with_bing函数，直接调用即可

...  
search\_results = search\_with\_bing('大语言模型')  
...  

4.2 获取网页全文

此处简洁起见，使用requests库发送GET请求，获取网页全文。

4.3 文档解析、切片、向量化及检索

本文使用BeautifulSoup解析上文获取到原始HTML对应的文本html。通常使用这种方式解析的HTML效果比较差，可以使用Jina Reader、Firecrawl等库，获得更高质量的解析结果。

...  
  
soup = BeautifulSoup(html, 'html.parser')  
item\['body'\] = soup.get\_text()  
  
...  

下方的代码，会对文本进行切片，进行向量化，并使用query获取检索结果：

...  
text\_splitter = RecursiveCharacterTextSplitter(  
    \["\\n\\n\\n", "\\n\\n", "\\n"\],  
    chunk\_size=400,  
    chunk\_overlap=50  
)  
documents = \[Document(  
    item\['body'\],  
    metadata={'href': item\['href'\], 'title': item\['title'\]}  
) for item in search\_results.values()\]  
split\_docs = text\_splitter.split\_documents(documents)  
vectorstore = Chroma.from\_documents(split\_docs, embedding\_model)  
retriever = vectorstore.as\_retriever(search\_args={'k': 6})  
retrieved\_docs = retriever.get\_relevant\_documents(query)  
context = '\\n\\n'.join(\[doc.page\_content for doc in retrieved\_docs\])  

4.4 Prompt构造

使用Prompt如下：

prompt = """请使用下方的上下文（<<<context>>><<</context>>>之间的部分）回答用户问题，如果所提供的上下文不足以回答问题，请回答“我无法回答这个问题”  
<<<context>>>  
{context}  
<<</context>>>  
  
用户提问：{query}  
请回答：  
""".format(query=query, context=context)  

5运行

首先完成第3节中的环境准备，然后执行如下命令：

sh start.sh  

出现类似如下的界面，表明启动成功

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】