百度网站建设解决方案,专业的赣州网站建设,政务网站建设发言材料,怎么看网站开发用的语言书接上文#xff0c;本文完了RAG的后半部分#xff0c;在浏览器运行qwen1.5-0.5B实现了增强搜索全流程。但受限于浏览器和模型性能#xff0c;仅适合于研究、离线和高隐私场景#xff0c;但对前端小伙伴来说大模型也不是那么遥不可及了#xff0c;附带全部代码#xff0c… 书接上文本文完了RAG的后半部分在浏览器运行qwen1.5-0.5B实现了增强搜索全流程。但受限于浏览器和模型性能仅适合于研究、离线和高隐私场景但对前端小伙伴来说大模型也不是那么遥不可及了附带全部代码动手试试吧 纯前端不适用第三方接口 1 准备工作
1.1 前置知识
读完前端大模型入门使用Transformers.js实现纯网页版RAG一了解WebML 前端大模型入门Transformer.js 和 Xenova基本的前端开发知识esm和async/await
1.2页面代码框架
!DOCTYPE html
html langenheadmeta charsetUTF-8 /title网页端侧增强搜索/title
/headbodydiv idappdivinput typetext idquestion /button idsearch提问/button/divdiv idinfo/div/divscript typemoduleimport {pipeline,env,cos_sim,} from https://cdn.jsdelivr.net/npm/xenova/transformers2.17.2/dist/transformers.min.js;env.remoteHost https://hf-mirror.com;// 后续代码位置/script
/body/html
1.3 chrom/edge浏览器
目前测试firefox模型缓存有问题建议用这两个首次加载模型需要点时间后续就不需要了记住刷新时按F5不要清空缓存了。
2 搜索代码实现 - R
2.1 准备好知识库和初始化向量库
前一篇文章已经介绍了相关内容本文知识库有些不一样因为是需要给大模型去生成回答而不是直接给出答案所以合并在了一起。 const knowledges [问洛基在征服地球的尝试中使用了什么神秘的物体\n答六角宝,问复仇者联盟的哪两名成员创造了奥创\n答托尼·斯塔克钢铁侠和布鲁斯·班纳绿巨人浩克。,问灭霸如何实现了他在宇宙中消灭一半生命的计划\n答通过使用六颗无限宝石,问复仇者联盟用什么方法扭转了灭霸的行动\n通过时间旅行收集宝石。,问复仇者联盟的哪位成员牺牲了自己来打败灭霸\n答托尼·斯塔克钢铁侠,];const verctorStore [];
2.2 定义打印输出和参数
topK控制送给大模型处理的最匹配的知识数量上下越多的知识条数prompt越大会导致处理用时越长一般三个最匹配的知识就差不多够用了尤其是在网页中运行时 const infoEl document.getElementById(info);const print text infoEl.innerHTML text;const knowEl document.getElementById(knowEl);const topK 3;
2.3 准备好嵌入和生成模型
嵌入使用 bge-base 回答生成使用qwen1.5-0.5B const embedPipe pipeline(feature-extraction, Xenova/bge-base-zh-v1.5, {progress_callback: (d) {infoEl.innerHTML embed:${JSON.stringify(d)};},});const chatPipe pipeline(text-generation, Xenova/Qwen1.5-0.5B-Chat, {progress_callback: (d) {infoEl.innerHTML chat:${JSON.stringify(d)};},});
2.4 定义向量库数据初始方法
这个不多赘述和前一篇的类似
const buildVector async () {if (!verctorStore.size) {const embedding await embedPipe;print(构建向量库)const output await embedding(knowledges, {pooling: mean,normalize: true,});knowledges.forEach((q, i) {verctorStore[i] output[i];});}};2.5 定义问答主方法 这里也不赘述过多和上一篇不同之处在于根据score从大到小排序选出topK传入生成方法 const search async () {const start Date.now()const embedding await embedPipe;const question document.getElementById(question).value;const [qVector] await embedding([question], {pooling: mean,normalize: true,});await buildVector();const scores verctorStore.map((q, i) {return {score: cos_sim(qVector.data, verctorStore[i].data),knowledge: knowledges[i],index: i,};});scores.sort((a, b) b.score - a.score);const picks scores.slice(0, topK)const docs picks.map(e e.knowledge)const answer await generateAnswer(question, docs.join(\n))print(answer (用时:${Date.now()- start}ms))};document.querySelector(#search).onclick search;
3 生成代码实现 - G
这一部分主要介绍generateAnser的实现
3.1 定义prompt 这部分自己测试时可多调整下prompt定义的越好效果越好
const prompt 请根据【上下文】回答【问题】当得不到较为准确的答案时必须回答我不知道。【上下文】${context}【问题】${question}请给出你的答案
3.2 构建消息和输入
const messages [{ role: system, content: 你是一个分析助手根据上下文回答问题。必须生成更人性化的答案。 },{ role: user, content: prompt }]console.log(messages)// 生成chaconst text generator.tokenizer.apply_chat_template(messages, {tokenize: false,add_generation_prompt: true,});console.log(text)
3.3 等待回答返回首个答案 print(思考中...)const output await generator(text, {max_new_tokens: 128,do_sample: false,return_full_text: false,});console.log(output)return output[0].generated_text;
4 运行测试
4.1 等待模型加载就绪
嵌入和千问整体有接近1G的数据下载需要稍微等待下直到看到下图所示结果 4.2 输入提问
我的问题是“他是怎么实现计划的”点击提问
4.3 检查控制台输出的prompt
可以看到匹配到的三个答案和问题
|im_start|system
你是一个分析助手根据上下文回答问题。必须生成更人性化的答案。|im_end|
|im_start|user
请根据【上下文】回答【问题】当得不到较为准确的答案时必须回答我不知道。【上下文】问灭霸如何实现了他在宇宙中消灭一半生命的计划
答通过使用六颗无限宝石
问复仇者联盟用什么方法扭转了灭霸的行动
通过时间旅行收集宝石。
问洛基在征服地球的尝试中使用了什么神秘的物体
答六角宝【问题】他是怎么实现计划的请给出你的答案|im_end|
|im_start|assistant4.4 等待回复
耗时25s有点长但考虑到这是可以离线在端侧运行的非gpu版本用于做一些后台任务还是可以的结果如下
5 总结
5.1 qwen1.5-0.5B比预期效果好 结果比续期要好一些因为比较新的web版本大模型就找到qwen1.5-0.5B的后续有时间我会出一期试试llama3.2-1B但整个过程会比较长 - 因为还涉及到模型迁移
5.2 除非离线和高隐私环境网页大模型暂不适用
受限于网页性能和WebGPU的支持在transformer.js处于实验性阶段生成用时比较久除非是离线环境以及对隐私要求比较高的情况下目前的响应速度还是比较慢的 最近眼睛肿了今天就一篇吧剩下时间休息了明天又得上班 ~ 啊啊啊
