LexiNaut

此版本已经不再更新，最新版已移至Ametrine

基于LangChain + Xinference + Chroma构建的本地知识库项目

概述

项目旨在搭建一个RAG本地知识库系统, 基于FastAPI进行API拓展开发 业务人员导入文档作为检索数据源, 模型提供基础储存、检索、回答能力, 以此来高效地解决实际生活中的问答情景

示例配置( 服务器 / 正常开发 ):

• GPU: 3090 x 2
• Engine: vLLM
• LLM: qwen2-instruct(7b) 卡0
• Embedding: bge-large-zh-v1.5 (1.5G) 卡1
• Rerank: bge-reranker-v2-gemma(11G) 卡1

示例配置( 节约开发 / 本地 ):

• GPU: 3090x1 或 笔记本自带显卡
• Engine: Transformers
• LLM: qwen2-instruct(1.5b)
• Embedding: bge-large-zh-v1.5
• Rerank: bge-reranker-base_v1

依赖安装

所需依赖安装

  pip install -r requirements.txt

模型安装 (XINFERENCE) 低配置的LLM问答输出会较慢, 这是正常的 打开本地9997端口, 下载两个模型:

• LLM模型: qwen2-instruct
  • Model Engine: vLLM
  • Model Format: pytorch
  • Model Size: 根据自己电脑情况选, 越大性能要求越高
  • Quantization: 同上, None性能要求最高
  • N-GPU: auto
  • Replica: 1
• Embedding模型: bge-large-zh-v1.5
  • 按默认下载, CPU运行的, Device中选择CPU
• Rerank模型: bge-reranker-v2-m3 或 bge-reranker-v2-gemma

项目启动

切换至对应环境

  conda activate lexinaut

Xinference

Linux下启动

  XINFERENCE_MODEL_SRC=modelscope xinference-local --host 0.0.0.0 --port 9997

windows下启动

  set XINFERENCE_MODEL_SRC=modelscope

  xinference-local --host 127.0.0.1 --port 9997

启动LLM、Embedding、Rerank模型:

• LLM: 添加参数max_model_len, RAG搜索时的input token数量

项目

  uvicorn main:app --port 3000 --reload

Chroma

  chroma run --path ./db_vector --port 8080

GPU信息

  watch nvidia-smi

问题一览

启动xinference时遇到报错:

1. 升级gcc和g++到11版本

   • 针对llama_cpp_python成功安装但是xinference启动报错

2. 手动下载llama_cpp_python

   • 遇到llama_cpp或者chaglm_cpp的whl问题, 需要前往chatglm_cpp和llama_cpp_python这两个github repo中手动下载对应版本, 并通过pip安装

3. Xinference Web UI在模型的GPU Index选择时会有JS的Bug, 需要手动输入两次再点启动

4. 服务器卡顿退出, 服务仍在运行时, 清除python程序:

      ps -ef | grep python | grep -v grep | awk '{print $2}' | xargs kill -9
   

5. torch与torchvision版本需要匹配: 0.23.0对应0.18.0

并发测试

使用wrk进行12线程400链接, 600秒测试

LLM测试结果: GPU功率峰值可达280W, 平均在220W左右 单张3090压力测试下, 最高平均响应约为1200tokens/s, 最多每秒同时响应120 request 每秒在100对话并发情况下, 平均每个请求每秒响应10个字左右 可处理1000个左右请求, 平均每秒处理1.7个对话请求 (每个回答大约有700左右的字数)

wrk -t12 -c400 -d600 -s ./llm.lua http://127.0.0.1:3000/api/llm/chat

RAG测试结果：

Rerank阶段，模型所在GPU( GPU1 )功率峰值基本跑满, 平均在330W左右

回复阶段，模型所在GPU( GPU0 )功率峰值同上, 平均在320W左右

双3090压力测试下, 平均响应约为1300tokens/s, 最高响应越为2700tokens/s

由于受到结果Rerank的影响, 最多每秒同时响应波动较大, 从3-200 / s不等, 测试数据实际参考意义有限

wrk -t12 -c400 -d600 -s ./rag.lua http://127.0.0.1:3000/api/rag/chat