在這篇文章中，我將解釋如何使用 Llama2 模型建立一個(gè)聊天機(jī)器人來智慧查詢 Excel 資料。

我們正在建造什麼

1. 載入 Excel 檔案。
2. 將資料分割成可管理的區(qū)塊。
3. 將資料儲(chǔ)存在向量資料庫中以便快速檢索。
4. 使用本地 Llama2 模型來回答基於 Excel 檔案的內(nèi)容。

先決條件：

Python (≥ 3.8)
圖庫：langchain、pandas、非結(jié)構(gòu)化、Chroma

第 1 步：安裝依賴項(xiàng)

%pip install -q unstructured langchain
%pip install -q "unstructured[all-docs]"

第 2 步：載入 Excel 文件

import pandas as pd

excel_path = "Book2.xlsx"
if excel_path:
    df = pd.read_excel(excel_path)
    data = df.to_string(index=False)
else:
    print("Upload an Excel file")

第 3 步：將資料分塊並儲(chǔ)存在向量資料庫中

大型文字資料被分割成更小的、重疊的區(qū)塊，以進(jìn)行有效的嵌入和查詢。這些區(qū)塊儲(chǔ)存在 Chroma 向量資料庫中。

from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import Chroma

text_splitter = RecursiveCharacterTextSplitter(chunk_size=7500, chunk_overlap=100)
chunks = text_splitter.split_text(data)

embedding_model = OllamaEmbeddings(model="nomic-embed-text", show_progress=False)
vector_db = Chroma.from_texts(
    texts=chunks, 
    embedding=embedding_model,
    collection_name="local-rag"
)

步驟 4：初始化 Llama2 模型

我們使用 ChatOllama 在本地載入 Llama2 模型。

from langchain_community.chat_models import ChatOllama

local_model = "llama2"
llm = ChatOllama(model=local_model)

第 5 步：建立查詢提示

聊天機(jī)器人將根據(jù) Excel 文件中的特定列名稱進(jìn)行回應(yīng)。我們建立一個(gè)提示模板來指導(dǎo)模型

from langchain.prompts import PromptTemplate

QUERY_PROMPT = PromptTemplate(
    input_variables=["question"],
    template="""You are an AI assistant. Answer the user's questions based on the column names: 
    Id, order_id, name, sales, refund, and status. Original question: {question}"""
)

第 6 步：設(shè)定檢索器

我們配置一個(gè)檢索器從向量資料庫中取得相關(guān)區(qū)塊，Llama2 模型將使用該資料區(qū)塊來回答問題。

from langchain.retrievers.multi_query import MultiQueryRetriever

retriever = MultiQueryRetriever.from_llm(
    vector_db.as_retriever(), 
    llm,
    prompt=QUERY_PROMPT
)

第 7 步：建立響應(yīng)鏈

響應(yīng)鏈整合：

1. 用於取得上下文的檢索器。
2. 格式化問題和上下文的提示。
3. 用於產(chǎn)生答案的 Llama2 模型。
4. 用於格式化回應(yīng)的輸出解析器。

from langchain.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

template = """Answer the question based ONLY on the following context:
{context}
Question: {question}
"""

prompt = ChatPromptTemplate.from_template(template)

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

第 8 步：提出問題

現(xiàn)在我們準(zhǔn)備好提問了！以下是我們?nèi)绾握{(diào)用鏈來獲取回應(yīng)：

raw_result = chain.invoke("How many rows are there?")
final_result = f"{raw_result}\n\nIf you have more questions, feel free to ask!"
print(final_result)

樣本輸出

當(dāng)我在範(fàn)例 Excel 檔案上執(zhí)行上述程式碼時(shí)，我得到的結(jié)果如下：

Based on the provided context, there are 10 rows in the table.
If you have more questions, feel free to ask!

結(jié)論：

這種方法利用嵌入和 Llama2 模型的強(qiáng)大功能，為 Excel 資料創(chuàng)建智慧、互動(dòng)式聊天機(jī)器人。透過一些調(diào)整，您可以擴(kuò)展它以處理其他類型的文件或?qū)⑵湔系匠墒斓膽?yīng)用程式中！

在我的 LinkedIn 上檢查 UI 的工作範(fàn)例：

介紹 BChat Excel：用於 Excel 檔案互動(dòng)的對(duì)話式 AI 驅(qū)動(dòng)工具

以上是使用 LlamaChat 和 Excel 建立一個(gè)簡(jiǎn)單的聊天機(jī)器人]的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！