基于距离的向量数据库检索将用户查询嵌入到高维空间中，并根据 "距离 "找到相似的文档。但是，如果查询措辞发生微妙变化，或者嵌入（embeddings）不能很好地捕捉数据的语义，检索可能会产生不同的结果。为了手动解决这些问题，有时需要利用 Propmpt 工程或微调，但这可能会很繁琐。

MultiQuery Retriever[1] 通过使用 LLM 从不同角度为给定的用户输入查询生成多个不同的查询，从而执行自动调整过程。对于每个查询，它都会检索一组相关文档，并采用所有查询之间的唯一并集来获取更大的一组潜在相关文档。通过对同一问题生成多个视角的查询，MultiQuery Retriever 或许能够克服相似性搜索的一些限制，并获得更丰富的结果集。

本文我将介绍如何利用 Ollama 和 Llama3 来分析 MultiQuery Retriever 内部的工作流程。

一、创建 MemoryVectorStore

在以下代码中，我们使用 Langchain 内置的 MemoryVectorStore 创建了基于内存的向量数据库。同时，我们利用 Ollama 在本地运行 nomic-embed-text[2] Embeddings 服务，实现对文本的 Embeddings 处理。你可以通过 ollama pull nomic-embed-text 命令来拉取 nomic-embed-text Embeddings 模型。

importfrom"langchain/vectorstores/memory"importfrom"@langchain/community/embeddings/ollama"constawait"Buildings are made out of brick""Buildings are made out of wood""Buildings are made out of stone""Cars are made out of metal""Cars are made out of plastic""mitochondria is the powerhouse of the cell""mitochondria is made of lipids"12345new"nomic-embed-text""http://127.0.0.1:11434"

二、创建 MultiQueryRetriever

近期 Meta 发布了 Llama 3 8B 和 70B 模型，有了强大的 Ollama，我们可以轻松地在本地运行最新的 Llama 3 模型。

只需在终端中输入 ollama run llama3 命令，Ollama 就会自动帮我们下载和运行 llama3:8b 模型。当成功执行上述命令后，我们可以通过 curl 来验证本地的 llama3 服务是否正常工作。

curl -X POST http://localhost:11434/api/generate -d '{

  "model": "llama3",

  "prompt":"Why is the sky blue?"

 }'

接下来，我们直接使用 LangChain 社区提供的 ChatOllama[3] 来调用本地的 Llama 3 服务。

importfrom"@langchain/community/chat_models/ollama"importfrom"langchain/retrievers/multi_query"constnew"llama3:latest""http://127.0.0.1:11434"consttrue

在以上代码中，我们使用 MultiQueryRetriever.fromLLM 方法创建了 retriever 对象，其中 verbose 参数用于在终端输出 MultiQueryRetriever 的执行过程。创建了 MultiQueryRetriever 对象之后，我们就可以调用该对象上的 getRelevantDocuments 方法来获取与用户输入问题相关的文档集：

const"What are mitochondria made of?"constawait

三、MultiQueryRetriever 执行流程

1.生成相关问题

在上图中，我们可以清楚看到 MultiQueryRetriever 的执行流程：

 1:retriever:MultiQueryRetriever > 2:chain:LLMChain > 3:llm:ChatOllama

在调用 Llama 3 服务时，会所使用 MultiQueryRetriever 默认的提示词模板生成 3 个不同维度的相关问题：

// langchain/src/retrievers/multi_query.tsconstnew"question""queryCount"`You are an AI language model assistant. Your task isto generate {queryCount} different versions of the given userquestion to retrieve relevant documents from a vector database.By generating multiple perspectives on the user question,your goal is to help the user overcome some of the limitationsof distance-based similarity search.Provide these alternative questions separated by newlines between XML tags. For example:<questions>Question 1Question 2Question 3</questions>Original question: {question}`

当成功调用 LLM 服务之后，就会解析返回结果，具体如下图所示：

下面我们用一张图来描述上述的执行流程：

2.获取与每个问题有关的文档

2.1 What components comprise the structure of mitochondria?

2.2 What are the fundamental building blocks that form the mitochondria?

2.3 What is the molecular composition of mitochondria?

观察以上的图片，你会发现虽然使用的是不同问题，但会返回相同的文档。所以，在返回最终的文档集前，我们需要对文档进行去重处理。

3.返回去重后的文档

四、总结

MultiQueryRetriever 的核心处理流程，包含生成多个不同维度的查询、获取每个查询的相关文档和文档去重三个步骤。对应的处理流程被封装在 MultiQueryRetriever 类中的 _getRelevantDocuments 方法内部：

exportclassextendsasyncstringPromiseconstawaitthisconstawaitthisconstthisreturn

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】