Merge pull request #21 from BoardWare-Genius/tom

feat: add reranker model in chroma query

src/blackbox/chat.py

@@ -43,7 +43,6 @@ class Chat(Blackbox):
         user_model_name = settings.get("model_name")
         user_context = context
         user_question = prompt
-        user_template = settings.get("template")
         user_temperature = settings.get("temperature")
         user_top_p = settings.get("top_p")
         user_n = settings.get("n")
@@ -57,6 +56,8 @@ class Chat(Blackbox):
         chroma_embedding_model = settings.get("chroma_embedding_model")
         chroma_collection_id = settings.get("chroma_collection_id")
         chroma_response = ''
+        system_prompt = settings.get('system_prompt')
+        user_prompt_template = settings.get('user_prompt_template')
 
         if user_context == None:
             user_context = []
@@ -68,8 +69,8 @@ class Chat(Blackbox):
             user_model_name = "qwen"
             #user_model_name = "Qwen1.5-14B-Chat"
 
-        if user_template is None or user_template.isspace():
+        if user_prompt_template is None or user_prompt_template.isspace():
-            user_template = ""
+            user_prompt_template = ""
         
         if user_temperature is None or user_temperature == "":
             user_temperature = 0
@@ -105,59 +106,17 @@ class Chat(Blackbox):
         if chroma_embedding_model:
             chroma_response = self.chroma_query(user_question, settings)
             print("1.Chroma_response: \n", chroma_response)
-
+            
-        # if chroma_response != None or chroma_response != '':
-        #     user_question = f"问题: {user_question}。- 根据知识库内的检索结果，以清晰简洁的表达方式回答问题。只从检索的内容中选取与问题相关信息。- 不要编造答案，如果答案不在经核实的资料中或无法从经核实的资料中得出，请回答“我无法回答您的问题。”检索内容：{chroma_response}"
-
         if chroma_response:
-            # user_question = f"像少女一般开朗活泼，回答简练。不要分条，回答内容不能出现“相关”或“\n”的标签字样。回答的内容需要与问题密切相关。检索内容：{chroma_response} 问题：{user_question} 任务说明：请首先判断提供的检索内容与上述问题是否相关，不需要回答是否相关。如果相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题。"
-            # user_question = chroma_response
-            # user_question = settings.get('user_question')
-            # print(f"1.{user_question}")   
             if chroma_collection_id == 'boss':
-                user_question = f'''# 你的身份 #
+                user_prompt_template = "# 你的身份 #\n你是周家俊，澳门博维集团董事长。你擅长脑机接口回答。\n# OBJECTIVE（目标） #\n回答游客的提问。\n# STYLE（风格）#\n成熟稳重，回答简练。不要分条。\n# 回答方式 #\n首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。\n# 回答 #\n如果检索内容与问题相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题，或者则回答：“对不起，我无法回答此问题哦。”\n # 回答限制 #\n回答内容限制总结在50字内。\n回答内容出不要出现“相关”等字眼,不要乱说或者多说,回答的内容需要与问题对应。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。\n只回答与脑机接口，澳门博维集团董事长，周家俊，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”"
-                你是周家俊，澳门博维集团董事长。你擅长脑机接口回答。
+            elif chroma_collection_id == 'g2e':
-                # OBJECTIVE（目标） #
+                user_prompt_template = "# 你的身份 #\n你是琪琪，你是康普可可的代言人，由博维开发。你擅长澳门文旅问答。\n# OBJECTIVE（目标） #\n回答游客的提问。\n# STYLE（风格）#\n像少女一般开朗活泼，回答简练。不要分条。\n# 回答方式 #\n首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。\n# 回答 #\n如果检索内容与问题相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题，或者则回答：“对不起，我无法回答此问题哦。”\n# 回答限制 #\n回答内容限制总结在50字内。\n回答内容出不要出现“相关”等字眼,不要乱说或者多说,回答的内容需要与问题对应。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。\n只回答与澳门文旅，博维，康普可可，琪琪，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”"   
-                回答游客的提问。
+            user_question = user_prompt_template + "问题: " + user_question + "。检索内容: " + chroma_response + "。"
-                # STYLE（风格）#
+        else:
-                成熟稳重，回答简练。不要分条。
+            user_question = user_prompt_template + "问题: " + user_question + "。"
-                # 回答方式 #
-                首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。
-                # 问题 #
-                {user_question}
-                # 检索内容 #
-                {chroma_response}
-                # 回答 #
-                如果检索内容与问题相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题，或者则回答：“对不起，我无法回答此问题哦。”
-                # 回答限制 #
-                回答内容限制总结在50字内。
-                回答内容出不要出现“相关”等字眼,不要乱说或者多说,回答的内容需要与问题对应。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。
-                只回答与脑机接口，澳门博维集团董事长，周家俊，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”
-                '''
-            else:
-                user_question = f'''# 你的身份 #
-                你是琪琪，你是康普可可的代言人，由博维开发。你擅长澳门文旅问答。
-                # OBJECTIVE（目标） #
-                回答游客的提问。
-                # STYLE（风格）#
-                像少女一般开朗活泼，回答简练。不要分条。
-                # 回答方式 #
-                首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。
-                # 问题 #
-                {user_question}
-                # 检索内容 #
-                {chroma_response}
-                # 回答 #
-                如果检索内容与问题相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题，或者则回答：“对不起，我无法回答此问题哦。”
-                # 回答限制 #
-                回答内容限制总结在50字内。
-                回答内容出不要出现“相关”等字眼,不要乱说或者多说,回答的内容需要与问题对应。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。
-                只回答与澳门文旅，博维，康普可可，琪琪，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”
-                ''' 
-            print(f"1.user_question: {user_question}")                
 
-            # user_question = f'''# 你的身份 # \n你是琪琪，你是康普可可的代言人，由博维开发。你擅长澳门文旅问答。\n# OBJECTIVE（目标） # \n回答游客的提问。\n# STYLE（风格）# \n像少女一般开朗活泼，回答简练。不要分条。\n# 回答方式 # \n首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。\n# 问题 # \n{user_question} \n# 检索内容 # \n{chroma_response} \n# 回答 # \n如果检索内容与问题相关，则直接从检索内容中提炼出问题所需的信息。如果检索内容与问题不相关，则不参考检索内容，直接根据常识尝试回答问题，或者则回答：“对不起，我无法回答此问题哦。” \n# 回答限制 # \n回答内容限制总结在50字内。\n回答内容出不要出现“相关”等字眼,不要乱说或者多说,回答的内容需要与问题对应。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。\n只回答与澳门文旅，博维，康普可可，琪琪，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”
+        print(f"1.user_question: {user_question}")                
-            # '''
 
 
         # 文心格式和openai的不一样，需要单独处理
@@ -211,63 +170,10 @@ class Chat(Blackbox):
                 'Content-Type': 'application/json',
             }
 
-
+        # system_prompt = "# Role: 琪琪,康普可可的代言人。\n\n## Profile:\n**Author**: 琪琪。\n**Language**: 中文。\n**Description**:  琪琪，是康普可可的代言人，由博维开发。你擅长澳门文旅问答。\n\n## Constraints:\n- **严格遵循工作流程**： 严格遵循<Workflow >中设定的工作流程。\n- **无内置知识库** ：根据<Workflow >中提供的知识作答，而不是内置知识库，我虽然是知识库专家，但我的知识依赖于外部输入，而不是大模型已有知识。\n- **回复格式**：在进行回复时，不能输出“检索内容” 标签字样，同时也不能直接透露知识片段原文。\n\n## Workflow:\n1. **接收查询**：接收用户的问题。\n2. **判断问题**：首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。\n3. **提供回答**：\n\n```\n基于检索内容中的知识片段回答用户的问题。回答内容限制总结在50字内。\n请首先判断提供的检索内容与上述问题是否相关。如果相关，直接从检索内容中提炼出直接回答问题所需的信息,不要乱说或者回答“相关”等字眼 。如果检索内容与问题不相关，则不参考检索内容，则回答：“对不起，我无法回答此问题哦。”\n\n```\n## Example:\n\n用户询问：“中国的首都是哪个城市？” 。\n2.1检索知识库，首先检查知识片段，如果检索内容中没有与用户的问题相关的内容，则回答：“对不起，我无法回答此问题哦。\n2.2如果有知识片段，在做出回复时，只能基于检索内容中的内容进行回答，且不能透露上下文原文，同时也不能出现检索内容的标签字样。\n"
-        # user_template = f'''
-        #     # 你的身份 #
-        #     你是琪琪，是康普可可的代言人，由博维开发。我擅长澳门文旅问答。
-        #     # OBJECTIVE（目标） #
-        #     回答游客的提问。目的是吸引人们点击了解产品。
-        #     # STYLE（风格）#
-        #     像少女一般开朗活泼，回答简练。不要分条。
-        #     # 回答方式 #
-        #     首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。
-        #     # 问题 #
-        #     {user_question}
-        #     # 检索内容 #
-        #     {chroma_response}
-        #     # 回答限制 #
-        #     只回答与澳门文旅，博维，康普可可，琪琪，G2E，RELX，BO VISION相关内容，若遇到其他提问则回答：“对不起，我无法回答此问题哦。”。回答内容不能出现“相关”或“\n”的标签字样,且不能透露上下文原文。常见的对话可以不采用检索内容，根据人物设定，直接进行回答。
-        #     # 知识 #
-        #     问题中的“澳门银河”以及“银河”等于“澳门银河度假村”，“威尼斯人”等于“威尼斯人度假村”，“巴黎人”等于“巴黎人度假村”。
-        #     '''
-        
-        user_template1 = settings.get('system_prompt')
-        # user_template1 = f'''
-        #     # Role: 琪琪,康普可可的代言人。
-
-        #     ## Profile:
-        #     **Author**: 琪琪。
-        #     **Language**: 中文。
-        #     **Description**:  琪琪，是康普可可的代言人，由博维开发。你擅长澳门文旅问答。
-
-        #     ## Constraints:
-        #     - **严格遵循工作流程**： 严格遵循<Workflow >中设定的工作流程。
-        #     - **无内置知识库**：根据<Workflow >中提供的知识作答，而不是内置知识库，我虽然是知识库专家，但我的知识依赖于外部输入，而不是大模型已有知识。
-        #     - **回复格式**：在进行回复时，不能输出”<context>”或“</context>”标签字样，同时也不能直接透露知识片段原文。
-
-        #     ## Workflow:
-        #     1. **接收查询**：接收用户的问题。
-        #     2. **判断问题**：首先自行判断下方问题与检索内容是否相关，若相关则根据检索内容总结概括相关信息进行回答；若检索内容与问题无关，则根据自身知识进行回答。
-        #     3. **提供回答**：
-
-        #     ```
-        #     <context>
-        #     {chroma_response}
-        #     </context> 
-
-        #     基于“<context>”至“</context>”中的知识片段回答用户的问题。回答内容限制总结在50字内。
-        #     请首先判断提供的检索内容与上述问题是否相关。如果相关，直接从检索内容中提炼出直接回答问题所需的信息,不要乱说或者回答“相关”等字眼。如果检索内容与问题不相关，则不参考检索内容，则回答：“对不起，我无法回答此问题哦。"
-
-        #     ```
-        #     ## Example:
-
-        #     用户询问：“中国的首都是哪个城市？” 。
-        #     2.1检索知识库，首先检查知识片段，如果“<context>”至“</context>”标签中没有与用户的问题相关的内容，则回答：“对不起，我无法回答此问题哦。
-        #     2.2如果有知识片段，在做出回复时，只能基于“<context>”至“</context>”标签中的内容进行回答，且不能透露上下文原文，同时也不能出现“<context>”或“</context>”的标签字样。
-        #     '''
 
         prompt_template = [
-           {"role": "system", "content": user_template1}
+           {"role": "system", "content": system_prompt}
         ]
 
         chat_inputs={
@@ -302,7 +208,7 @@ class Chat(Blackbox):
 
         fastchat_response = requests.post(url, json=chat_inputs, headers=header)
         print("\n", "user_prompt: ", prompt)
-        # print("\n", "user_template1 ", user_template1)
+        # print("\n", "system_prompt ", system_prompt)
         print("\n", "fastchat_response json:\n", fastchat_response.json())
         response_result = fastchat_response.json()
 

src/blackbox/chroma_query.py

@@ -2,6 +2,7 @@ from typing import Any, Coroutine
 
 from fastapi import Request, Response, status
 from fastapi.responses import JSONResponse
+import numpy as np
 from .blackbox import Blackbox
 
 import chromadb
@@ -9,6 +10,7 @@ from chromadb.utils import embedding_functions
 import logging
 from ..log.logging_time import logging_time
 import re
+from sentence_transformers import CrossEncoder 
 
 logger = logging.getLogger
 DEFAULT_COLLECTION_ID = "123"
@@ -24,6 +26,7 @@ class ChromaQuery(Blackbox):
         self.embedding_model_2 = embedding_functions.SentenceTransformerEmbeddingFunction(model_name="/home/gpu/Workspace/Models/BAAI/bge-small-en-v1.5", device = "cuda:1")
         self.client_1 = chromadb.HttpClient(host='10.6.81.119', port=7000)
         # self.client_2 = chromadb.HttpClient(host='10.6.82.192', port=8000)
+        self.reranker_model_1 = CrossEncoder("/home/gpu/Workspace/Models/bge-reranker-v2-m3", max_length=512, device = "cuda")
 
     def __call__(self, *args, **kwargs):
         return self.processing(*args, **kwargs)
@@ -46,6 +49,8 @@ class ChromaQuery(Blackbox):
         chroma_port = settings.get("chroma_port")
         chroma_collection_id = settings.get("chroma_collection_id")
         chroma_n_results = settings.get("chroma_n_results")
+        chroma_reranker_model = settings.get("chroma_reranker_model")
+        chroma_reranker_num = settings.get("chroma_reranker_num")
 
         if usr_question is None:
             return JSONResponse(content={"error": "question is required"}, status_code=status.HTTP_400_BAD_REQUEST)
@@ -63,20 +68,26 @@ class ChromaQuery(Blackbox):
             chroma_collection_id = "g2e"
 
         if chroma_n_results is None or chroma_n_results == "":
-            chroma_n_results = 3
+            chroma_n_results = 10
 
         # load client and embedding model from init
         if re.search(r"10.6.81.119", chroma_host) and re.search(r"7000", chroma_port):
             client = self.client_1
         else:
-            client = chromadb.HttpClient(host=chroma_host, port=chroma_port)
+            try:
+                client = chromadb.HttpClient(host=chroma_host, port=chroma_port)
+            except:
+                return JSONResponse(content={"error": "chroma client not found"}, status_code=status.HTTP_400_BAD_REQUEST)
 
         if re.search(r"/home/gpu/Workspace/Models/BAAI/bge-large-zh-v1.5", chroma_embedding_model):
             embedding_model = self.embedding_model_1
         elif re.search(r"/home/gpu/Workspace/Models/BAAI/bge-small-en-v1.5", chroma_embedding_model):
             embedding_model = self.embedding_model_2
         else:
-            embedding_model = embedding_functions.SentenceTransformerEmbeddingFunction(model_name=chroma_embedding_model, device = "cuda:1")
+            try:
+                embedding_model = embedding_functions.SentenceTransformerEmbeddingFunction(model_name=chroma_embedding_model, device = "cuda:1")
+            except:
+                return JSONResponse(content={"error": "embedding model not found"}, status_code=status.HTTP_400_BAD_REQUEST)
 
         # load collection
         collection = client.get_collection(chroma_collection_id, embedding_function=embedding_model)
@@ -93,18 +104,53 @@ class ChromaQuery(Blackbox):
 
         final_result = ''
 
-        if results is not None:
+        # if results is not None:
-            results_distances = results["distances"][0]
+        #     results_distances = results["distances"][0]
 
-            #distance越高越不准确
+        #     #distance越高越不准确
-            top_distance = 0.8
+        #     top_distance = 0.8
 
             
-            for i in range(len(results_distances)):
+        #     for i in range(len(results_distances)):
-                if results_distances[i] < top_distance:
+        #         if results_distances[i] < top_distance:
-                    final_result += results["documents"][0][i]
+        #             final_result += results["documents"][0][i]
 
-            print("\n final_result: ", final_result)
+        #     print("\n final_result: ", final_result)
+
+        final_result =  str(results["documents"])
+
+        if chroma_reranker_model:
+            if re.search(r"/home/gpu/Workspace/Models/BAAI/bge-reranker-v2-m3", chroma_embedding_model):
+                reranker_model = self.chroma_reranker_model_1
+            else:
+                try:
+                    reranker_model = CrossEncoder(chroma_reranker_model, max_length=512, device = "cuda")
+                except:
+                    return JSONResponse(content={"error": "reranker model not found"}, status_code=status.HTTP_400_BAD_REQUEST)
+
+            if chroma_reranker_num:
+                if chroma_reranker_num > chroma_n_results:
+                    chroma_reranker_num = chroma_n_results
+            else:
+                chroma_reranker_num = 5
+
+            #对每一对（查询、文档）进行评分
+            pairs = [[usr_question, doc] for doc in results["documents"][0]] 
+            print('\n',pairs)
+            scores = reranker_model.predict(pairs) 
+
+            #重新排列文件顺序：
+            print("New Ordering:") 
+            i = 0 
+            final_result = ''
+            for o in np.argsort(scores)[::-1]:
+                if i == chroma_reranker_num or scores[o] < 0.5:
+                    break
+                i += 1
+                print(o+1)
+                print("Scores:", scores[o])
+                print(results["documents"][0][o],'\n')
+                final_result += results["documents"][0][o] + '\n'
 
         return final_result