Verba

金毛寻回犬

欢迎来到Verba：金毛寻回犬，这是一个开源应用程序，旨在提供端到端、简化且用户友好的检索增强生成（RAG）界面。只需几个简单步骤，即可轻松探索您的数据集并提取见解，可以在本地使用HuggingFace和Ollama，也可以通过OpenAI、Cohere和Google等LLM提供商。

pip install goldenverba

• Verba
  • 🎯 Verba是什么？
  • ✨ 功能
• ✨ Verba入门
• 🔑 API密钥
  • Weaviate
  • Ollama
  • Google
  • Unstructured
  • OpenAI
  • HuggingFace
• 快速入门：使用pip部署
• 快速入门：从源代码构建
• 快速入门：使用Docker部署
• 💾 Verba使用指南
• 💖 开源贡献
• 🚩 已知问题
• ❔常见问题

Verba是什么？

Verba是一个完全可定制的个人助手，用于查询和与您的数据交互，可以在本地或通过云部署。解决文档相关问题，交叉引用多个数据点或从现有知识库获取见解。Verba将最先进的RAG技术与Weaviate的上下文感知数据库相结合。根据您的个人用例，在不同的RAG框架、数据类型、分块和检索技术以及LLM提供商之间进行选择。

开源精神

Weaviate很自豪地为社区提供这个开源项目。虽然我们努力及时解决问题，但请理解它可能无法像生产软件那样严格维护。我们欢迎并鼓励社区贡献，以帮助它平稳运行。非常感谢您在快速修复开放问题方面的支持。

在此观看我们最新的Verba视频：

功能列表

缺少什么吗？欢迎创建一个新的问题或讨论，分享您的想法！

Verba入门

您有三种部署Verba的选择：

• 通过pip安装

pip install goldenverba

• 从源代码构建

git clone https://github.com/weaviate/Verba

pip install -e .

• 使用Docker部署

先决条件：如果不使用Docker，请确保您的系统上安装了Python >=3.10.0。

如果您不熟悉Python和虚拟环境，请阅读Python教程指南。

API密钥

在启动Verba之前，您需要通过.env文件配置对各种组件的访问权限，具体取决于您选择的技术，如OpenAI、Cohere和HuggingFace。在您要启动Verba的同一目录中创建这个.env文件。您可以在goldenverba目录中找到一个.env.example文件。

请确保只设置您打算使用的环境变量，缺失或不正确的环境变量值可能导致错误。

以下是您可能需要的API密钥和变量的完整列表：

Weaviate

Verba提供了根据您需求连接到Weaviate实例的灵活性。默认情况下，如果未检测到WEAVIATE_URL_VERBA和WEAVIATE_API_KEY_VERBA环境变量，Verba会选择Weaviate嵌入式。这种本地部署是启动Weaviate数据库进行原型设计和测试的最简单方法。

但是，您还有其他选择：

🌩️ Weaviate云服务（WCS）

如果您更喜欢基于云的解决方案，Weaviate云服务（WCS）提供了可扩展的托管环境。按照Weaviate集群设置指南了解如何设置云集群并获取API密钥。

🐳 Docker部署 另一个强大的本地替代方案是使用Docker部署Weaviate。有关更多详细信息，请参阅Weaviate Docker指南。

Ollama

Verba支持Ollama模型。在您的设备上下载并安装Ollama（https://ollama.com/download）。确保使用`ollama run `安装您首选的LLM。

已经测试过llama3、llama3:70b和mistral。通常情况下，更大的模型性能更好，但需要更多计算能力。

在继续之前，请确保为嵌入器和生成器选择了正确的配置。

确保Ollama服务器在后台运行，并且不要使用不同的ollama模型摄取文档，因为它们的向量维度可能会有所不同，从而导致错误

您可以通过运行以下命令进行验证

ollama run llama3

Google

如果您想使用Google功能，请确保安装Google Verba包。

pip install goldenverba[google]

或

pip install `.[google]`

如果您使用Docker，请相应修改Dockerfile

Google嵌入

对于Google嵌入，Verba使用Google Cloud内的Vertex AI Studio。您可以在这里找到获取密钥的说明。如果您已安装gcloud CLI，可以运行以下命令：gcloud auth print-access-token。目前，此访问令牌必须每小时更新一次。

您还需要将GOOGLE_CLOUD_PROJECT环境变量设置为项目名称。

Google Gemini

要使用Google Gemini，您需要一个服务账号密钥，它是一个JSON文件。要获取此密钥，请转到Google Cloud控制台中的"项目设置"，然后转到"服务账号"。创建一个新的服务账号，然后创建一个新的密钥。下载此密钥并将其放置在Verba的根目录中。将其命名为gemini_secrets.json以自动将其从git中排除。将环境变量GOOGLE_APPLICATION_CREDENTIALS设置为此文件的位置，例如gemini_secrets.json。

您还需要将GOOGLE_CLOUD_PROJECT环境变量设置为项目名称。

Unstructured

Verba支持通过Unstructured IO导入文档（例如纯文本、.pdf、.csv等）。要使用它们，您需要UNSTRUCTURED_API_KEY和UNSTRUCTURED_API_URL环境变量。您可以从Unstructured获取它们

UNSTRUCTURED_API_URL默认设置为https://api.unstructured.io/general/v0/general

OpenAI

Verba支持OpenAI模型，如Ada、GPT3和GPT4。要使用它们，您需要指定OPENAI_API_KEY环境变量。您可以从OpenAI获取它

您还可以添加OPENAI_BASE_URL以使用代理，如LiteLLM（https://github.com/BerriAI/litellm）

OPENAI_BASE_URL=YOUR-OPENAI_BASE_URL

Azure OpenAI

要使用Azure OpenAI，您需要设置

• API类型：

OPENAI_API_TYPE="azure"

• 密钥和端点：

OPENAI_API_KEY=<YOUR_KEY>
OPENAI_BASE_URL=http://XXX.openai.azure.com

• Azure OpenAI资源名称，如果您的端点是XXX.openai.azure.com，则为XXX

AZURE_OPENAI_RESOURCE_NAME=<YOUR_AZURE_RESOURCE_NAME>

• 您需要为嵌入和查询设置模型。

AZURE_OPENAI_EMBEDDING_MODEL="text-embedding-ada-002"
OPENAI_MODEL="gpt-4"

• 最后，由于Azure使用每分钟配额，您可能需要在每个块上传之间添加等待时间。例如，如果您每分钟的限制是24万个令牌，如果您的块最多400个令牌，那么每次查询之间等待100毫秒应该没问题。如果从weaviate收到429错误，则增加此值。

WAIT_TIME_BETWEEN_INGESTION_QUERIES_MS="100"

HuggingFace

如果您想使用HuggingFace功能，请确保安装正确的Verba包。它将安装使用本地嵌入模型所需的包。 请注意，在启动时，Verba将自动下载并安装所有嵌入模型，如果您只想使用特定模型，请从goldenverba/components/managers.py文件中删除不需要的模型。

pip install goldenverba[huggingface]

或

pip install `.[huggingface]`

如果您使用Docker，请相应修改Dockerfile

如何使用pip部署

Python >=3.10.0

1. 初始化新的Python环境

python3 -m virtualenv venv

2. 安装Verba

pip install goldenverba

3. 启动Verba

verba start

您可以通过标志指定--port和--host

4. 访问Verba

访问 localhost:8000

5. 创建.env文件并添加环境变量

如何从源代码构建

1. 克隆Verba仓库

git clone https://github.com/weaviate/Verba.git

2. 初始化新的Python环境

python3 -m virtualenv venv

3. 安装Verba

pip install -e .

4. 启动Verba

verba start

您可以通过标志指定--port和--host

5. 访问Verba

访问 localhost:8000

6. 创建.env文件并添加环境变量

如何使用Docker安装Verba

Docker是一套使用操作系统级虚拟化来交付软件包（称为容器）的平台即服务产品。要开始使用Docker部署Verba，请按照以下步骤操作。如果您需要更详细的Docker使用说明，请查看Docker课程。

0. 克隆Verba仓库 确保您的系统上已安装Git。然后，打开终端或命令提示符并运行以下命令来克隆Verba仓库：

git clone https://github.com/weaviate/Verba.git

1. 设置必要的环境变量 确保在.env文件中设置所需的环境变量。您可以在API密钥部分中阅读更多关于如何设置它们的信息
2. 调整 docker-compose 文件 你可以使用 docker-compose.yml 在 verba 服务下添加所需的环境变量，也可以调整 Weaviate Docker 设置以启用身份验证或更改数据库实例的其他设置。你可以在我们的 docker-compose 文档 中阅读更多关于 Weaviate 配置的信息。

请确保只添加你真正需要的环境变量。如果你的 Weaviate 集群未启用身份验证，请确保不要包含 WEAVIATE_API_KEY_VERBA 环境变量。

3. 使用 Docker 部署 安装 Docker 并克隆 Verba 仓库后，在终端或命令提示符中导航到包含 Docker Compose 文件的目录。运行以下命令以分离模式启动 Verba 应用程序，这样它可以在后台运行：

docker compose up -d

docker compose --env-file .env up -d

这个命令将下载必要的 Docker 镜像，创建容器，并启动 Verba。 请记住，要使用这种方法，必须在你的系统上安装 Docker。有关安装说明和更多关于 Docker 的详细信息，请访问官方 Docker 文档。

4. 访问 Verba

• 你可以在 localhost:8080 访问本地 Weaviate 实例

• 你可以在 localhost:8000 访问 Verba 前端

如果你希望 Docker 实例安装特定版本的 Verba，可以编辑 Dockerfile 并更改安装行。

RUN pip install -e '.'

Verba 使用指南

概览页面

一旦你能够访问 Verba，你可以使用"概览页面"来验证是否所有环境和库都已正确设置和安装。你可以使用管理控制台查看存储在 Weaviate 集合中的所有数据，并重置 Verba 的某些部分（例如文档、缓存、配置等）。

导入你的数据

配置好 Verba 后，你就可以导入数据并开始探索了。使用"添加文档"页面来摄取你的数据。你可以选择支持不同数据类型、分块技术和嵌入模型的读取器。

查询你的数据

导入数据后，你可以使用"聊天"页面提出任何相关问题。你将收到与你的问题在语义上相关的相关文本块，以及由你选择的模型生成的答案。你可以在"RAG"页面下配置 RAG 流程。

开源贡献

我们始终欢迎你的贡献！如果你发现任何问题或错误，请随时贡献想法、反馈或创建问题和错误报告！在贡献之前，请阅读贡献指南。如果你需要任何帮助，请访问我们的 Weaviate 社区论坛！

项目架构

你可以在其技术文档和前端文档中了解更多关于 Verba 的架构和实现。在进行任何贡献之前，建议先看一下这些文档。

JSON 文件

在 Verba 中，你可以导入具有特定格式的 JSON，这种格式允许你添加原始源链接、文本块、元数据等。

目前，一个文档需要在一个 .json 文件中（这将在未来改变）

文档结构

{
  "text": "<内容>", // 将被分块的内容
  "type": "<类型>", // 将用于过滤文档
  "name": "<文档名称>", // 包含在发送给 LLM 的上下文中
  "path": "<本地文件路径>", // 目前未实现，可以为空
  "link": "<原始源链接>", // 原始源的链接
  "timestamp": "<YYYY-MM-DD HH:MM:SS>", // 目前未使用，可以为空
  "reader": "<读取器>", // 目前未使用，可以为空
  "meta": {}, // 目前未使用
  "chunks": [] // 你可以在这里添加文本块，在摄取过程中跳过分块部分
}

文本块结构

{
  "text": "<内容>", // 文本块内容
  "doc_name": "<文档名称>", // 文档的名称
  "doc_type": "<文档类型>", // 文档的类型
  "doc_uuid": "<文档 UUID>", // 文档的 UUID
  "chunk_id": "<文本块 ID>", // 文本块的顺序，从 0 到 n（n = 总文本块数）
  "tokens": "<令牌数>", // 文本块中的令牌数，未使用，可以为空
  "vector": "<向量>", // 文本块的向量，未使用，可以为空
  "score": "<检索分数>" // 文本块的分数，将在运行时由检索器添加，可以为空
}

已知问题

• Weaviate Embedded 目前在 Windows 上还不能工作
  • 将在未来版本中修复，在此之前请使用 Docker 或 WCS 部署

常见问题

• Verba 是多语言的吗？

  • 这取决于你选择的嵌入和生成模型是否支持多语言数据。

• 我可以在 Verba Docker 中使用我的 Ollama 服务器吗？

  • 是的，可以！确保 URL 设置为：OLLAMA_URL=http://host.docker.internal:11434
  • 如果你在 Linux 上运行，你可能需要获取 Ollama 服务器的 IP 网关：OLLAMA_URL="http://YOUR-IP-OF-OLLAMA:11434"

• 如何清除 Weaviate Embedded 存储？

  • 你可以在这里找到存储的数据：~/.local/share/weaviate

• 如何指定端口？

  • 你可以使用端口和主机标志 verba start --port 9000 --host 0.0.0.0