在這篇文章中，我將解釋如何使用 Llama2 模型構(gòu)建一個聊天機器人來智能查詢 Excel 數(shù)據(jù)。

我們正在建設(shè)什么

1. 加載 Excel 文件。
2. 將數(shù)據(jù)分割成可管理的塊。
3. 將數(shù)據(jù)存儲在矢量數(shù)據(jù)庫中以便快速檢索。
4. 使用本地 Llama2 模型來回答基于 Excel 文件的內(nèi)容。

先決條件：

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

第 1 步：安裝依賴項

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

第 2 步：加載 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：將數(shù)據(jù)分塊并存儲在向量數(shù)據(jù)庫中

大型文本數(shù)據(jù)被分割成更小的、重疊的塊，以進(jìn)行有效的嵌入和查詢。這些塊存儲在 Chroma 矢量數(shù)據(jù)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 在本地加載 Llama2 模型。

from langchain_community.chat_models import ChatOllama

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

第 5 步：創(chuàng)建查詢提示

聊天機器人將根據(jù) Excel 文件中的特定列名稱進(jìn)行響應(yīng)。我們創(chuàng)建一個提示模板來指導(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)置檢索器

我們配置一個檢索器從向量數(shù)據(jù)庫中獲取相關(guān)塊，Llama2 模型將使用該數(shù)據(jù)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：構(gòu)建響應(yīng)鏈

響應(yīng)鏈集成：

1. 用于獲取上下文的檢索器。
2. 格式化問題和上下文的提示。
3. 用于生成答案的 Llama2 模型。
4. 用于格式化響應(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)用鏈來獲取響應(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)我在示例 Excel 文件上運行上述代碼時，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 模型的強大功能，為 Excel 數(shù)據(jù)創(chuàng)建智能、交互式聊天機器人。通過一些調(diào)整，您可以擴展它以處理其他類型的文檔或?qū)⑵浼傻匠墒斓膽?yīng)用程序中！

在我的 LinkedIn 上檢查 UI 的工作示例：

介紹 BChat Excel：用于 Excel 文件交互的對話式 AI 驅(qū)動工具

以上是使用 LlamaChat 和 Excel 構(gòu)建一個簡單的聊天機器人]的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！