LLM之基于Ragas利用本地数据、本地模型构造测试数据集，测试RAG

本文主要是介绍LLM之基于Ragas利用本地数据、本地模型构造测试数据集，测试RAG，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

        这回还是粗略写写前言吧，构建好RAG系统之后，你总得去进行测试吧，那么如何测试呢？用什么指标去衡量呢？测试数据集怎么构建呢？

        这里使用Ragas对RAG系统进行测试，而Ragas又基本是OPENAI的接口，那是要钱钱的，所以就研究使用本地模型去跑

Ragas简介

不想写，有空再写

github地址：ragas

ragas测试用例数据集：

1、https://huggingface.co/datasets/explodinggradients/WikiEval

2、https://huggingface.co/datasets/explodinggradients/amnesty_qa

最好看看使用文档：

https://docs.ragas.io/en/stable/getstarted/index.html

 下载Ragas

pip install ragas

 然后就可以构建测试数据集啦，在构建前，你需要下载llama-index，因为我们需要基于llama-index去跑起本地的大模型和embedding模型

我的另外一篇博客：

LLM之基于llama-index部署本地embedding与GLM-4模型并初步搭建RAG（其他大模型也可）

 搭建好之后，就可以直接构造数据集啦

构造测试数据集

from langchain_community.document_loaders import TextLoaderfrom ragas.testset.generator import TestsetGenerator
from ragas.testset.evolutions import simple, reasoning, multi_context# from xinference.client import Clientfrom llama_index.core import Settings
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
# from llama_index.core.embeddings import resolve_embed_model#这个是使用llama_index 自定义的一个包，有看过我另外一篇博客的同学会明白的
from llama_index_self import GLMCustomLLM#按文件夹输入
# loader = DirectoryLoader("/home/kelvin/nlp/GLM-4/basic_demo/input")
# documents = loader.load()MODEL_PATH = '/home/kelvin/nlp/model/LLM/THUDM/glm-4-9b-chat'
embed_model_path = '/home/kelvin/nlp/model/Embedding/BAAI/bge-m3'Settings.embed_model = HuggingFaceEmbedding(model_name=f"{embed_model_path}",device='cuda')Settings.llm = GLMCustomLLM(MODEL_PATH)loader = TextLoader(file_path="/home/nlp/GLM-4/basic_demo/input/test.txt", encoding="utf-8")
documents_txt = loader.load()generator = TestsetGenerator.from_llama_index(Settings.llm,Settings.llm,Settings.embed_model
)# generate testset
testset = generator.generate_with_langchain_docs(documents_txt, test_size=1024, distributions={simple: 0.5, reasoning: 0.25, multi_context: 0.25})testset.to_pandas()
testset.to_csv('./testset.csv', index=False)
testset.to_pickle('./testset.pkl')
testset.to_json('./testset.json')print(f'finish')

官网构建测试数据集如下：

 1、输入OPENAI_API_KEY

import osos.environ["OPENAI_API_KEY"] = "your-openai-key"

2、读取某个文件夹，并读取文件夹下的文件 

from langchain_community.document_loaders import DirectoryLoader
loader = DirectoryLoader("your-directory")
documents = loader.load()

3、构建测试数据集 

from ragas.testset.generator import TestsetGenerator
from ragas.testset.evolutions import simple, reasoning, multi_context
from langchain_openai import ChatOpenAI, OpenAIEmbeddings# generator with openai models
generator_llm = ChatOpenAI(model="gpt-3.5-turbo-16k")
critic_llm = ChatOpenAI(model="gpt-4")
embeddings = OpenAIEmbeddings()generator = TestsetGenerator.from_langchain(generator_llm,critic_llm,embeddings
)# generate testset
testset = generator.generate_with_langchain_docs(documents, test_size=10, distributions={simple: 0.5, reasoning: 0.25, multi_context: 0.25})

 欢迎大家点赞或收藏~

大家的点赞或收藏可以鼓励作者加快更新哟~

这篇关于LLM之基于Ragas利用本地数据、本地模型构造测试数据集，测试RAG的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---