使用开源大语言模型私有化部署打造数据库专家系统

2023-06-05 19:02:49 浏览数 (1)

最近在github上发现一个很好的项目： https://github.com/csunny/DB-GPT

这个项目利用开源大语言模型如Vicuna-13b打造了一个数据库专家系统，上线1个半月已经获得3400星。

1 什么是DB-GPT

一个开源的以数据库为基础的GPT实验项目，使用本地化的GPT大模型与您的数据和环境进行交互，无数据泄露风险，让大模型的能力绝对私有、安全、可控。

2 DB-GPT能力

当前具体以下能力：

  • SQL 语言能力
    • SQL生成
    • SQL诊断
  • 私域问答与数据处理
    • 数据库知识问答
    • 数据处理
  • 插件模型
    • 支持自定义插件执行任务，原生支持Auto-GPT插件。如:
      • SQL自动执行，获取查询结果
      • 自动爬取学习知识
  • 知识库统一向量存储/索引
    • 非结构化数据支持包括PDF、MarkDown、CSV、WebURL
  • 多模型支持
    • 支持多种大语言模型, 当前已支持Vicuna(7b,13b), ChatGLM-6b(int4, int8)
    • TODO: codet5p, codegen2

3 架构

DB-GPT的架构如下图所示：

下面对每个模块也做一些简要的介绍:

3.1 知识库能力

知识库作为当前用户需求最大的场景，原生支持知识库的构建与处理。同时在本项目当中，也提供了多种知识库的管理策略。 如:

  1. 默认内置知识库
  2. 自定义新增知识库
  3. 通过插件能力自抓取构建知识库等多种使用场景。

用户只需要整理好知识文档，即可用现有的能力构建大模型所需要的知识库能力。

3.2 大模型管理能力

在底层大模型接入中，设计了开放的接口，支持对接多种大模型。同时对于接入模型的效果，有非常严格的把控与评审机制。对大模型能力上与ChatGPT对比，在准确率上需要满足85%以上的能力对齐。项目用更高的标准筛选模型，是期望在用户使用过程中，可以省去前面繁琐的测试评估环节。

3.3 统一的数据向量化存储与索引

为了方便对知识向量化之后的管理，内置了多种向量存储引擎，从基于内存的Chroma到分布式的Milvus, 可以根据自己的场景需求，选择不同的存储引擎，整个知识向量存储是AI能力增强的基石，向量作为人与大语言模型交互的中间语言，在本项目中的作用非常重要。

3.4 连接模块

为了能够更方便的与用户的私有环境进行交互，项目设计了连接模块，连接模块可以支持连接到数据库、Excel、知识库等等多种环境当中，实现信息与数据交互。

3.5 Agent与插件

Agent与插件能力是大模型能否自动化的核心，在本的项目中，原生支持插件模式，大模型可以自动化完成目标。 同时为了充分发挥社区的优势，本项目中所用的插件原生支持Auto-GPT插件生态，即Auto-GPT的插件可以直接在我们的项目中运行。

3.6 Prompt自动生成与优化

Prompt是与大模型交互过程中非常重要的部分，一定程度上Prompt决定了大模型生成答案的质量与准确性，在本的项目中，我们会根据用户输入与使用场景，自动优化对应的Prompt，让用户使用大语言模型变得更简单、更高效。

3.7 多端产品界面

TODO: 在终端展示上，我们将提供多端产品界面。包括PC、手机、命令行、Slack等多种模式。

3.8 依赖的相关开源组件

  • FastChat 提供 chat 服务
  • vicuna-13b 作为基础模型
  • langchain 工具链
  • Auto-GPT 通用的插件模版
  • Hugging Face 大模型管理
  • Chroma 向量存储
  • Milvus 分布式向量存储
  • ChatGLM 基础模型
  • llama-index 基于现有知识库进行In-Context Learning来对其进行数据库相关知识的增强。

4 安装部署

4.1 硬件要求

项目在效果上具备ChatGPT 85%以上的能力，因此对硬件有一定的要求。 但总体来说，在消费级的显卡上即可完成项目的部署使用，具体部署的硬件说明如下:

GPU型号

显存大小

性能

RTX4090

24G

可以流畅的进行对话推理，无卡顿

RTX3090

24G

可以流畅进行对话推理，有卡顿感，但好于V100

V100

16G

可以进行对话推理，有明显卡顿

4.2 购买云服务器

要部署这个项目，首先要购买GPU资源。目前腾讯云有个GPU 云服务器 · 限时秒杀活动：

https://cloud.tencent.com/act/pro/gpu-study

选择下面这个型号，有32G显存，足够部署使用（吐槽下，还是很贵，相对于传统CPU型服务器）：

4.3 安装依赖包

代码语言：javascript复制
yum -y install git  
yum install git-lfs 
yum install g   
yum install docker

4.4 下载模型

代码语言：javascript复制
git clone https://github.com/csunny/DB-GPT.git 
git clone https://huggingface.co/Tribbiani/vicuna-13b 
git clone https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2

模型文件需要防止到代码路径下：

代码语言：javascript复制
cd DB-GPT
mkdir models
cp all-MiniLM-L6-v2 models/
cp vicuna-13b models/

4.5 启动MySQL

代码语言：javascript复制
docker run --name=mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=aa12345678 -dit mysql:latest

4.6 安装环境和依赖

代码语言：javascript复制
wget https://repo.anaconda.com/miniconda/Miniconda3-py310_23.3.1-0-Linux-x86_64.sh
sh Miniconda3-py310_23.3.1-0-Linux-x86_64.sh
source /root/.bashrc

conda create -n dbgpt_env python=3.10
conda activate dbgpt_env
pip install -r requirements.txt

4.7 启动服务端

代码语言：javascript复制
nohup python pilot/server/llmserver.py > server.log 2>&1 &

4.8 启动客户端

代码语言：javascript复制
nohup python pilot/server/webserver.py > logs/client.log 2>&1 &

4.9 访问地址 http://ip:7860/

界面如下图所示：

5 能力测试

5.1 通用对话测试

常识：

逻辑：

对比GPT3.5，差距明显:

对比GPT4，差距更大:

5.2 数据库知识测试

对比GPT3.5，差距明显：

5.3 生成SQL并与DB交互能力测试

如上图所示，选择库名后，输入自然语言的查询需求，就能生成对应的SQL并执行返回结果！

不过返回结果的速度很慢，有时候甚至超过1分钟。

下面测试下组合查询，发现它进行了表关联查询，其实不需要，而且关联查询里面引用了不存在的字段，比较奇怪。

5.4 知识库能力测试

https://blog.51cto.com/imysql/3250683 [MySQL FAQ]系列 — 线上环境到底要不要开启query cache

我们把老叶这篇关于query cache文章转为PDF上传：

生成了向量文件/data/download/DB-GPT/pilot/data/.vectordb

提文档里面的相关问题，看看回答是否能使用文档里面的内容：

整体效果还行。

6 总结

这个开源项目，功能全面，集成了开源的大模型、私人知识库能力、数据库SQL生成能力、与DB的交互查询能力，如果这些能力都能做到90分，那这个项目非常值得在生产环境中使用，因为它解决了代码泄露的安全问题。

但它有几个问题： 1. 速度比较慢，尤其在生成SQL与DB交互的时候，有时要等1分钟以上。 2. 推理能力较弱，达不到3.5的水平。 3. 因为2导致有时生成的SQL不是用户需要的。

但方向是对的，未来大模型在公司生产环境某个领域落地，应该就是这种方式。

期待开源的大模型早日追上3.5的能力！

gpt 开源

0 人点赞