feature@添加websearch

README.md

@@ -2,12 +2,15 @@
 
 > Chinese-LangChain：中文langchain项目，基于ChatGLM-6b+langchain实现本地化知识库检索与智能答案生成
 
+俗称：小必应，Q.Talk，强聊，QiangTalk
+
 ## 🔥 效果演示
 
 ![](https://github.com/yanqiangmiffy/Chinese-LangChain/blob/master/images/web_demo.png)
 
 ## 🚀 特性
 
+- 🚀 2023/04/19 增加web search功能，需要确保网络畅通！
 - 🚀 2023/04/18 webui增加知识库选择功能
 - 🚀 2023/04/18 修复推理预测超时5s报错问题
 - 🎉 2023/04/17 支持多种文档上传与内容解析：pdf、docx，ppt等
@@ -29,7 +32,7 @@
 * [x] 支持检索结果与LLM生成结果对比
 * [ ] 支持检索生成结果与原始LLM生成结果对比
 * [ ] 检索结果过滤与排序
-* [ ] 互联网检索结果接入
+* [x] 互联网检索结果接入
 * [ ] 模型初始化有问题
 * [ ] 增加非LangChain策略
 

clc/langchain_application.py

@@ -37,13 +37,24 @@ class LangChainApplication(object):
                                    history_len=5,
                                    temperature=0.1,
                                    top_p=0.9,
+                                   top_k=4,
+                                   web_content='',
                                    chat_history=[]):
-        prompt_template = """基于以下已知信息，简洁和专业的来回答用户的问题。
-                            如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"，不允许在答案中添加编造成分，答案请使用中文。
-                            已知内容:
-                            {context}
-                            问题:
-                            {question}"""
+        if web_content:
+            prompt_template = f"""基于以下已知信息，简洁和专业的来回答用户的问题。
+                                如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"，不允许在答案中添加编造成分，答案请使用中文。
+                                已知网络检索内容：{web_content}""" + """
+                                已知内容:
+                                {context}
+                                问题:
+                                {question}"""
+        else:
+            prompt_template = """基于以下已知信息，简洁和专业的来回答用户的问题。
+                                            如果无法从中得到答案，请说 "根据已知信息无法回答该问题" 或 "没有提供足够的相关信息"，不允许在答案中添加编造成分，答案请使用中文。
+                                            已知内容:
+                                            {context}
+                                            问题:
+                                            {question}"""
         prompt = PromptTemplate(template=prompt_template,
                                 input_variables=["context", "question"])
         self.llm_service.history = chat_history[-history_len:] if history_len > 0 else []
@@ -54,7 +65,7 @@ class LangChainApplication(object):
         knowledge_chain = RetrievalQA.from_llm(
             llm=self.llm_service,
             retriever=self.source_service.vector_store.as_retriever(
-                search_kwargs={"k": 4}),
+                search_kwargs={"k": top_k}),
             prompt=prompt)
         knowledge_chain.combine_documents_chain.document_prompt = PromptTemplate(
             input_variables=["page_content"], template="{page_content}")

clc/source_service.py

@@ -12,6 +12,8 @@
 
 import os
 
+from duckduckgo_search import ddg
+from duckduckgo_search.utils import SESSION
 from langchain.document_loaders import UnstructuredFileLoader
 from langchain.embeddings.huggingface import HuggingFaceEmbeddings
 from langchain.vectorstores import FAISS
@@ -53,6 +55,18 @@ class SourceService(object):
             self.vector_store = FAISS.load_local(path, self.embeddings)
         return self.vector_store
 
+    def search_web(self, query):
+
+        SESSION.proxies = {
+            "http": f"socks5h://localhost:7890",
+            "https": f"socks5h://localhost:7890"
+        }
+        results = ddg(query)
+        web_content = ''
+        if results:
+            for result in results:
+                web_content += result['body']
+        return web_content
 # if __name__ == '__main__':
 #     config = LangChainCFG()
 #     source_service = SourceService(config)

main.py

@@ -5,19 +5,19 @@ import gradio as gr
 
 from clc.langchain_application import LangChainApplication
 
-os.environ["CUDA_VISIBLE_DEVICES"] = '1'
+os.environ["CUDA_VISIBLE_DEVICES"] = '0'
 
 
 # 修改成自己的配置！！！
 class LangChainCFG:
-    llm_model_name = '../../pretrained_models/chatglm-6b-int4-qe'  # 本地模型文件 or huggingface远程仓库
-    embedding_model_name = '../../pretrained_models/text2vec-large-chinese'  # 检索模型文件 or huggingface远程仓库
+    llm_model_name = 'THUDM/chatglm-6b-int4-qe'  # 本地模型文件 or huggingface远程仓库
+    embedding_model_name = 'GanymedeNil/text2vec-large-chinese'  # 检索模型文件 or huggingface远程仓库
     vector_store_path = './cache'
     docs_path = './docs'
     kg_vector_stores = {
-        '中文维基百科': '/root/GoMall/Knowledge-ChatGLM/cache/zh_wikipedia',
-        '大规模金融研报知识图谱': '/root/GoMall/Knowledge-ChatGLM/cache/financial_research_reports',
-        '初始化知识库': '/root/GoMall/Knowledge-ChatGLM/cache',
+        '中文维基百科': './cache/zh_wikipedia',
+        '大规模金融研报知识图谱': '.cache/financial_research_reports',
+        '初始化知识库': '.cache',
     }  # 可以替换成自己的知识库，如果没有需要设置为None
     # kg_vector_stores=None
 
@@ -62,24 +62,35 @@ def clear_session():
 def predict(input,
             large_language_model,
             embedding_model,
+            top_k,
+            use_web,
             history=None):
     # print(large_language_model, embedding_model)
     print(input)
     if history == None:
         history = []
+
+    if use_web == '使用':
+        web_content = application.source_service.search_web(query=input)
+    else:
+        web_content = ''
     resp = application.get_knowledge_based_answer(
         query=input,
         history_len=1,
         temperature=0.1,
         top_p=0.9,
+        top_k=top_k,
+        web_content=web_content,
         chat_history=history
     )
     history.append((input, resp['result']))
     search_text = ''
     for idx, source in enumerate(resp['source_documents'][:4]):
-        sep = f'----------【搜索结果{idx+1}：】---------------\n'
+        sep = f'----------【搜索结果{idx + 1}：】---------------\n'
         search_text += f'{sep}\n{source.page_content}\n\n'
     print(search_text)
+    search_text += "----------【网络检索内容】-----------\n"
+    search_text += web_content
     return '', history, history, search_text
 
 
@@ -108,20 +119,22 @@ with block as demo:
 
             top_k = gr.Slider(1,
                               20,
-                              value=2,
+                              value=4,
                               step=1,
-                              label="向量匹配 top k",
+                              label="检索top-k文档",
                               interactive=True)
             kg_name = gr.Radio(['中文维基百科',
                                 '大规模金融研报知识图谱',
                                 '初始化知识库'
                                 ],
                                label="知识库",
-                               value='中文维基百科',
+                               value='初始化知识库',
                                interactive=True)
             set_kg_btn = gr.Button("重新加载知识库")
 
-            file = gr.File(label="将文件上传到数据库",
+            use_web = gr.Radio(["使用", "不使用"], label="web search", info="是否使用网络搜索，使用时确保网络通常")
+
+            file = gr.File(label="将文件上传到知识库库，内容要尽量匹配",
                            visible=True,
                            file_types=['.txt', '.md', '.docx', '.pdf']
                            )
@@ -149,7 +162,9 @@ with block as demo:
         send.click(predict,
                    inputs=[
                        message, large_language_model,
-                       embedding_model, state
+                       embedding_model, top_k, use_web,
+
+                       state
                    ],
                    outputs=[message, chatbot, state, search])
 
@@ -163,7 +178,8 @@ with block as demo:
         message.submit(predict,
                        inputs=[
                            message, large_language_model,
-                           embedding_model, state
+                           embedding_model, top_k, use_web,
+                           state
                        ],
                        outputs=[message, chatbot, state, search])
     gr.Markdown("""提醒：<br>

requirements.txt

@@ -1,153 +1,7 @@
-aiofiles==23.1.0
-aiohttp==3.8.4
-aiosignal==1.3.1
-altair==4.2.2
-antlr4-python3-runtime==4.9.3
-anyio==3.6.2
-argilla==1.6.0
-async-timeout==4.0.2
-attrs==23.1.0
-backoff==2.2.1
-beautifulsoup4==4.12.2
-brotlipy==0.7.0
-cachetools==5.3.0
-cchardet==2.1.7
-certifi
-cffi
-chardet==5.1.0
-charset-normalizer==3.1.0
-click==8.1.3
-coloredlogs==15.0.1
-commonmark==0.9.1
-contourpy==1.0.7
-cpm-kernels==1.0.11
-cryptography
-cycler==0.11.0
-dataclasses-json==0.5.7
-Deprecated==1.2.13
-effdet==0.3.0
-entrypoints==0.4
-et-xmlfile==1.1.0
-faiss-gpu==1.7.2
-fastapi==0.95.1
-ffmpy==0.3.0
-filelock==3.11.0
-flatbuffers==23.3.3
-flit_core
-fonttools==4.39.3
-frozenlist==1.3.3
-fsspec==2023.4.0
-gmpy2
-gptcache==0.1.14
-gradio==3.27.0
-gradio_client==0.1.3
-greenlet==2.0.2
-h11==0.14.0
-httpcore==0.16.3
-httpx==0.23.3
-huggingface-hub==0.13.4
-humanfriendly==10.0
-icetk==0.0.7
-idna
-iopath==0.1.10
-Jinja2
-joblib==1.2.0
-jsonschema==4.17.3
-kiwisolver==1.4.4
-langchain==0.0.142
-layoutparser==0.3.4
-linkify-it-py==2.0.0
-lxml==4.9.2
-Markdown==3.4.3
-markdown-it-py==2.2.0
-MarkupSafe==2.1.2
-marshmallow==3.19.0
-marshmallow-enum==1.5.1
-matplotlib==3.7.1
-mdit-py-plugins==0.3.3
-mdurl==0.1.2
-mkl-fft==1.3.1
-mkl-random
-mkl-service==2.4.0
-monotonic==1.6
-mpmath==1.2.1
-msg-parser==1.2.0
-multidict==6.0.4
-mypy-extensions==1.0.0
-networkx
-nltk==3.8.1
-numexpr==2.8.4
-numpy
-olefile==0.46
-omegaconf==2.3.0
-onnxruntime==1.14.1
-openai==0.27.4
-openapi-schema-pydantic==1.2.4
-opencv-python==4.6.0.66
-openpyxl==3.1.2
-orjson==3.8.10
-packaging==23.1
-pandas==1.5.3
-pdf2image==1.16.3
-pdfminer.six==20221105
-pdfplumber==0.9.0
-Pillow==9.5.0
-portalocker==2.7.0
-protobuf==3.18.3
-pycocotools==2.0.6
-pycparser
-pydantic==1.10.7
-pydub==0.25.1
-Pygments==2.15.0
-pyOpenSSL
-pypandoc==1.11
-pyparsing==3.0.9
-pyrsistent==0.19.3
-PySocks
-pytesseract==0.3.10
-python-dateutil==2.8.2
-python-docx==0.8.11
-python-magic==0.4.27
-python-multipart==0.0.6
-python-pptx==0.6.21
-pytz==2023.3
-PyYAML==6.0
-regex==2023.3.23
-requests==2.28.2
-rfc3986==1.5.0
-rich==13.0.1
-scikit-learn==1.2.2
-scipy==1.10.1
-semantic-version==2.10.0
-sentence-transformers==2.2.2
-sentencepiece==0.1.98
-six
-sniffio==1.3.0
-soupsieve==2.4.1
-SQLAlchemy==1.4.47
-starlette==0.26.1
-sympy
-tenacity==8.2.2
-threadpoolctl==3.1.0
-timm==0.6.13
-tokenizers==0.13.3
-toolz==0.12.0
-torch==2.0.0
-torchaudio==2.0.0
-torchvision==0.15.0
-tqdm==4.65.0
-transformers==4.28.1
-triton==2.0.0
-typing-inspect==0.8.0
-typing_extensions==4.5.0
-tzdata==2023.3
-uc-micro-py==1.0.1
-unstructured==0.5.12
-unstructured-inference==0.3.2
-urllib3
-uvicorn==0.21.1
-Wand==0.6.11
-websockets==11.0.2
-wrapt==1.14.1
-XlsxWriter==3.1.0
-yarl==1.8.2
+langchain
+gradio
+transformers
+sentence_transformers
+faiss-cpu
+unstructured
+duckduckgo_search

tests/test_duckduckgo_search.py

@@ -2,9 +2,15 @@ from duckduckgo_search import ddg
 from duckduckgo_search.utils import SESSION
 
 
-# SESSION.proxies = {
-#     "http": f"socks5h://localhost:7890",
-#     "https": f"socks5h://localhost:7890"
-# }
+SESSION.proxies = {
+    "http": f"socks5h://localhost:7890",
+    "https": f"socks5h://localhost:7890"
+}
 r = ddg("马保国")
-print(r)
+print(r[:2])
+"""
+[{'title': '马保国 - 维基百科，自由的百科全书', 'href': 'https://zh.wikipedia.org/wiki/%E9%A9%AC%E4%BF%9D%E5%9B%BD', 'body': '马保国（1951年 — ） ，男，籍贯 山东 临沂，出生及长大于河南，中国大陆太极拳师，自称"浑元形意太极门掌门人" 。 马保国因2017年约战mma格斗家徐晓冬首次出现
+大众视野中。 2020年5月，马保国在对阵民间武术爱好者王庆民的比赛中，30秒内被连续高速击倒三次，此事件成为了持续多日的社交 ...'}, {'title': '馬保國的主页 - 抖音', 'href': 'https://www.douyin.com/user/MS4wLjABAAAAW0E1ziOvxgUh3VVv5FE6xmoo3w5WtZalfphYZKj4mCg', 'body': '6.3万. #马马国教扛打功 最近有几个人模芳我动作，很危险啊，不可以的，朋友们不要受伤了。. 5.3万. #马保国直播带货榜第一 朋友们周末愉快，本周六早上湿点，我本人在此号进行第一次带货直播，活到老，学到老，越活越年轻。. 7.0万. #马保国击破红牛罐 昨天 ...'}]
+
+
+"""