mirror of
https://github.com/RYDE-WORK/Langchain-Chatchat.git
synced 2026-01-19 21:37:20 +08:00
65592a45c3
新功能：
- 支持在线 Embeddings：zhipu-api, qwen-api, minimax-api, qianfan-api
- API 增加 /other/embed_texts 接口
- init_database.py 增加 --embed-model 参数，可以指定使用的嵌入模型（本地或在线均可）
- 对于 FAISS 知识库，支持多向量库，默认位置：{KB_PATH}/vector_store/{embed_model}
- Lite 模式支持所有知识库相关功能。此模式下最主要的限制是：
- 不能使用本地 LLM 和 Embeddings 模型
- 知识库不支持 PDF 文件
- init_database.py 重建知识库时不再默认情况数据库表，增加 clear-tables 参数手动控制。
- API 和 WEBUI 中 score_threshold 参数范围改为 [0, 2]，以更好的适应在线嵌入模型
问题修复：
- API 中 list_config_models 会删除 ONLINE_LLM_MODEL 中的敏感信息，导致第二轮API请求错误
开发者：
- 统一向量库的识别：以（kb_name,embed_model）为判断向量库唯一性的依据，避免 FAISS 知识库缓存加载逻辑错误
- KBServiceFactory.get_service_by_name 中添加 default_embed_model 参数，用于在构建新知识库时设置 embed_model
- 优化 kb_service 中 Embeddings 操作：
- 统一加载接口： server.utils.load_embeddings，利用全局缓存避免各处 Embeddings 传参
- 统一文本嵌入接口：server.knowledge_base.kb_service.base.[embed_texts, embed_documents]
- 重写 normalize 函数，去除对 scikit-learn/scipy 的依赖
70 lines
2.8 KiB
Python
70 lines
2.8 KiB
Python
from langchain.docstore.document import Document
|
||
from configs import EMBEDDING_MODEL, logger
|
||
from server.model_workers.base import ApiEmbeddingsParams
|
||
from server.utils import BaseResponse, get_model_worker_config, list_embed_models, list_online_embed_models
|
||
from fastapi import Body
|
||
from typing import Dict, List
|
||
|
||
|
||
online_embed_models = list_online_embed_models()
|
||
|
||
|
||
def embed_texts(
|
||
texts: List[str],
|
||
embed_model: str = EMBEDDING_MODEL,
|
||
to_query: bool = False,
|
||
) -> BaseResponse:
|
||
'''
|
||
对文本进行向量化。返回数据格式：BaseResponse(data=List[List[float]])
|
||
TODO: 也许需要加入缓存机制，减少 token 消耗
|
||
'''
|
||
try:
|
||
if embed_model in list_embed_models(): # 使用本地Embeddings模型
|
||
from server.utils import load_local_embeddings
|
||
|
||
embeddings = load_local_embeddings(model=embed_model)
|
||
return BaseResponse(data=embeddings.embed_documents(texts))
|
||
|
||
if embed_model in list_online_embed_models(): # 使用在线API
|
||
config = get_model_worker_config(embed_model)
|
||
worker_class = config.get("worker_class")
|
||
worker = worker_class()
|
||
if worker_class.can_embedding():
|
||
params = ApiEmbeddingsParams(texts=texts, to_query=to_query)
|
||
resp = worker.do_embeddings(params)
|
||
return BaseResponse(**resp)
|
||
|
||
return BaseResponse(code=500, msg=f"指定的模型 {embed_model} 不支持 Embeddings 功能。")
|
||
except Exception as e:
|
||
logger.error(e)
|
||
return BaseResponse(code=500, msg=f"文本向量化过程中出现错误：{e}")
|
||
|
||
def embed_texts_endpoint(
|
||
texts: List[str] = Body(..., description="要嵌入的文本列表", examples=[["hello", "world"]]),
|
||
embed_model: str = Body(EMBEDDING_MODEL, description=f"使用的嵌入模型，除了本地部署的Embedding模型，也支持在线API({online_embed_models})提供的嵌入服务。"),
|
||
to_query: bool = Body(False, description="向量是否用于查询。有些模型如Minimax对存储/查询的向量进行了区分优化。"),
|
||
) -> BaseResponse:
|
||
'''
|
||
对文本进行向量化，返回 BaseResponse(data=List[List[float]])
|
||
'''
|
||
return embed_texts(texts=texts, embed_model=embed_model, to_query=to_query)
|
||
|
||
|
||
def embed_documents(
|
||
docs: List[Document],
|
||
embed_model: str = EMBEDDING_MODEL,
|
||
to_query: bool = False,
|
||
) -> Dict:
|
||
"""
|
||
将 List[Document] 向量化，转化为 VectorStore.add_embeddings 可以接受的参数
|
||
"""
|
||
texts = [x.page_content for x in docs]
|
||
metadatas = [x.metadata for x in docs]
|
||
embeddings = embed_texts(texts=texts, embed_model=embed_model, to_query=to_query).data
|
||
if embeddings is not None:
|
||
return {
|
||
"texts": texts,
|
||
"embeddings": embeddings,
|
||
"metadatas": metadatas,
|
||
}
|