LLMWare: 构建企业级RAG应用的统一框架

llmware

LLMWare:构建企业级RAG应用的统一框架

LLMWare是一个开源项目,旨在为企业提供构建基于大语言模型(LLM)应用的统一框架,特别是针对检索增强生成(RAG)和多步骤代理工作流等场景。该框架的核心优势在于使用小型专业化模型,可以私有部署、安全集成企业知识源,并且能够针对特定业务流程进行高效的定制和调优。

主要特性

LLMWare框架主要包含两个核心组件:

RAG流水线 - 提供了连接知识源到生成式AI模型的全生命周期集成组件。
50多个小型专业化模型 - 这些模型针对企业流程自动化中的关键任务进行了微调,包括基于事实的问答、分类、摘要和信息抽取等。

通过整合这两个组件,并集成领先的开源模型和底层技术,LLMWare为快速构建基于知识的企业LLM应用提供了一套全面的工具。

值得一提的是,LLMWare的大多数示例可以在普通笔记本电脑上运行,无需GPU服务器,让用户可以立即上手体验。

核心概念

使用LLMWare进行开发主要基于以下几个核心概念:

模型目录(Model Catalog):提供统一的模型访问方式,支持150多个模型,包括50多个针对RAG优化的BLING、DRAGON和行业BERT模型。
库(Library):用于大规模摄入、组织和索引知识集合,支持解析、文本分块和嵌入。
查询(Query):支持对库进行文本、语义、混合、元数据和自定义过滤的多种查询方式。
带源提示(Prompt with Sources):提供了结合知识检索和LLM推理的最简单方式。
RAG优化模型:1-7B参数的模型,专为RAG工作流集成和本地运行而设计。
简单可扩展的数据库选项:从笔记本电脑到并行化集群,提供集成的数据存储解决方案。
带函数调用的代理和SLIM模型:支持更复杂的多步骤任务处理。

快速上手

LLMWare提供了多个快速入门示例,帮助用户迅速上手。例如,以下是一个简单的合同分析示例,使用本地运行的RAG优化LLM:

import os
import re
from llmware.prompts import Prompt, HumanInTheLoop
from llmware.setup import Setup
from llmware.configs import LLMWareConfig

def contract_analysis_on_laptop(model_name):
    # 加载示例文件
    sample_files_path = Setup().load_sample_files()
    contracts_path = os.path.join(sample_files_path,"Agreements")
    
    # 定义查询列表
    query_list = {
        "executive employment agreement": "What are the name of the two parties?",
        "base salary": "What is the executive's base salary?",
        "vacation": "How many vacation days will the executive receive?"
    }
    
    # 加载模型
    prompter = Prompt().load_model(model_name, temperature=0.0, sample=False)
    
    # 主循环:分析每份合同
    for i, contract in enumerate(os.listdir(contracts_path)):
        if contract != ".DS_Store":
            print(f"\nAnalyzing contract: {i+1} {contract}")
            print("LLM Responses:")
            
            for key, value in query_list.items():
                # 解析文档,提取相关段落,打包为模型可用的上下文
                source = prompter.add_source_document(contracts_path, contract, query=key)
                
                # 调用LLM
                responses = prompter.prompt_with_source(value, prompt_name="default_with_context")  
                
                # 打印结果
                for response in responses:
                    print(f"{key}: {re.sub('[\\n]',' ', response['llm_response']).strip()}")
                
                # 清除源材料,准备下一次查询
                prompter.clear_source_materials()
    
    # 保存分析结果
    prompter.save_state()
    csv_output = HumanInTheLoop(prompter).export_current_interaction_to_csv()
    print(f"CSV output saved at: {csv_output}")

if __name__ == "__main__":
    model = "bling-phi-3-gguf"  # 使用本地CPU模型
    contract_analysis_on_laptop(model)