Groq + Llama 3 实现本地 RAG：Phidata 框架的应用与性能展示

Phidata 是一个框架，专为构建具备记忆、知识和工具的 AI 智能体而设计。

https://www.phidata.com/

https://github.com/phidatahq/phidata

https://docs.phidata.com/introduction

Phidata 三方面增强 LLM 功能：

1. 记忆：Phidata 通过存储聊天历史在数据库中，使大型语言模型能够支持更长时间的对话，从而更好地理解和跟踪对话上下文。
2. 知识：通过将业务相关的信息存储在向量数据库中，Phidata 为模型提供了丰富的业务背景知识，增强了其对专业内容的理解和响应能力。
3. 工具：Phidata 赋予了大型语言模型执行具体操作的能力，例如从 API 获取数据、发送电子邮件或进行数据库查询，从而扩展了模型的实用性和应用范围。

Phidata 工作流程

1. 创建一个助手。

2. 添加工具（即各种功能）、知识库（vectordb）和数据存储（database）。

3. 通过使用 Streamlit、FastAPI 或 Django 等工具来部署和服务化你的AI应用。

注：

向量数据库（vectordb）主要用于存储和检索向量化的数据。在AI应用中，向量数据库通常用于增强模型的上下文理解能力，通过向量化的方式存储关键信息，支持复杂的查询和动态的内容推荐。例如，在推荐系统或语义搜索中非常有用。

数据存储（database）用于存储各种形式的数据，包括文本、数字、记录等。数据库在AI应用中主要用于持久化存储用户数据、交互历史和应用状态等。这些信息可用于后续的数据分析、报告生成或为持续的对话提供历史上下文。

Phidata 官方演示

https://hn.aidev.run/

https://arxiv.aidev.run/

推荐 Phidata 的一个主要原因是它更新迅速，并且支持多种大型语言模型（LLM）。

https://github.com/phidatahq/phidata/tree/main/cookbook/llms

安装 Phidata

Groq 上使用 Llama3 实现 RAG

https://github.com/phidatahq/phidata/tree/main/cookbook/llms/groq/rag

对于词嵌入(Embeddings)，选择使用 Ollama 或 OpenAI。

1. 创建虚拟环境

2. 导出你的 Groq API 密钥

3. 使用 Ollama 或 OpenAI 生成词嵌入

要使用 Ollama 生成词嵌入，请先安装 Ollama，然后运行nomic-embed-text模型：

要使用 OpenAI 生成词嵌入，请导出你的 OpenAI API 密钥：

4. 安装依赖库

5. 运行PgVector

先安装 Docker Desktop。然后使用辅助脚本运行：

或者直接使用docker run命令运行：

6. 运行RAG应用

打开localhost：8501查看你的RAG应用。

添加网站链接或PDF文件，然后提出问题。

实际体验

在运行 streamlit run cookbook/llms/groq/rag/app.py 时，如果系统提示缺少 psycopg 或 pgvector，你可以通过执行 pip install psycopg 和 pip install pgvector 来安装这些缺失的库。

我上传了一份 2MB 的 Phi-3 技术报告的 PDF 文件到程序中，模型在几秒内完成了文件的嵌入处理。

之后提出问题，可以即时得到答案。

这得益于 Groq 的高速生成能力，在 llama3-70b-8192 模型下，生成速度可达 280 Tokens/s。实际使用中，我发现用英文提问的效果比中文更好。

对网页内容提问

我对 Phidata 满意，它提供的示例代码简洁明了，易于理解。

此外，它还优化了输出格式，使得即使是在终端运行简单的 Python 文件，也能看到美观的输出结果。

结语

总的来说，Phidata 提供了一个强大且灵活的框架，可以大幅增强大型语言模型的能力。

通过整合记忆、知识和工具，Phidata 不仅优化了数据处理和交互效率，也极大地扩展了应用场景。

推荐大家体验。