加载MiniLM-L12-v2模型及知识库，调用Deepseek进行问答

这段 Python 代码实现了一个基于知识库的问答系统 KnowledgeBaseSystem。该系统主要具备以下功能：

1. 加载本地模型对文本进行编码。
2. 从指定路径加载知识库文件。
3. 对知识库中的文本进行向量化处理。
4. 根据用户的问题，找出知识库中最相关的知识。
5. 调用 DeepSeek API 结合相关知识生成回答。

代码详细说明

导入必要的库

python

import os
import numpy as np
import requests
from typing import Dict, List, Tuple
import time
from sentence_transformers import SentenceTransformer

• os：用于处理文件和目录操作。
• numpy：用于数值计算，如向量运算。
• requests：用于发送 HTTP 请求，调用 DeepSeek API。
• typing：用于类型提示，增强代码的可读性和可维护性。
• time：用于记录查询耗时。
• SentenceTransformer：用于加载和使用预训练的句子嵌入模型。

KnowledgeBaseSystem 类

python

class KnowledgeBaseSystem:def __init__(self, knowledge_base_path: str, deepseek_api_key: str):self.knowledge_base_path = knowledge_base_pathself.deepseek_api_key = deepseek_api_keyself.model = self._load_local_model()  # 加载本地模型self.knowledge_base: Dict[str, str] = {}self.vectorized_knowledge: Dict[str, np.ndarray] = {}self._load_knowledge_base()self._vectorize_knowledge()

• __init__ 方法：类的构造函数，初始化知识库系统。
  • knowledge_base_path：知识库文件所在的路径。
  • deepseek_api_key：DeepSeek API 的密钥。
  • self.model：通过 _load_local_model 方法加载的本地模型。
  • self.knowledge_base：存储知识库文件内容的字典，键为文件名，值为文件内容。
  • self.vectorized_knowledge：存储知识库文件向量化结果的字典，键为文件名，值为向量表示。

_load_local_model 方法

python

def _load_local_model(self):"""从本地文件加载模型"""model_paths = [XXXX,  # 本地模型路径os.path.join("models", "paraphrase-multilingual-MiniLM-L12-v2"),os.path.join("models", "all-MiniLM-L6-v2"),"all-MiniLM-L6-v2"  # 最后尝试从缓存加载]for path in model_paths:try:if os.path.exists(path):print(f"尝试从本地加载模型: {path}")return SentenceTransformer(path)else:print(f"尝试加载模型: {path} (未找到本地文件)")return SentenceTransformer(path.split('/')[-1])  # 尝试从名称加载except Exception as e:print(f"加载模型 {path} 失败: {e}")continueraise RuntimeError("""
无法加载任何模型，请按以下步骤操作：
1. 手动下载模型文件:- 访问 https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2- 点击"↓"按钮下载整个仓库- 解压到项目目录下的 models/ 文件夹中
2. 或者运行以下命令自动下载(需要有网络连接):python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2')"
""")

• 功能：尝试从多个路径加载本地模型。
• 步骤：
  1. 定义一个包含多个模型路径的列表 model_paths。
  2. 遍历 model_paths，尝试加载模型。
  3. 如果路径存在，使用 SentenceTransformer 从本地路径加载模型。
  4. 如果路径不存在，尝试从模型名称加载模型。
  5. 如果所有路径都无法加载模型，抛出 RuntimeError 并给出解决建议。

_load_knowledge_base 方法

python

def _load_knowledge_base(self):"""加载知识库"""print("正在加载知识库...")for root, _, files in os.walk(self.knowledge_base_path):for file in files:if file.endswith(".txt"):file_path = os.path.join(root, file)try:with open(file_path, 'r', encoding='utf-8') as f:self.knowledge_base[file] = f.read()except Exception as e:print(f"加载文件 {file_path} 失败: {e}")print(f"已加载 {len(self.knowledge_base)} 个知识文件")

• 功能：从指定路径加载所有 .txt 文件作为知识库。
• 步骤：
  1. 使用 os.walk 遍历指定路径下的所有文件。
  2. 筛选出 .txt 文件，读取文件内容并存储到 self.knowledge_base 字典中。
  3. 打印加载的文件数量。

_vectorize_knowledge 方法

python

def _vectorize_knowledge(self):"""向量化知识库"""print("正在向量化知识库...")for key, content in self.knowledge_base.items():self.vectorized_knowledge[key] = self.model.encode(content)print("知识库向量化完成")

• 功能：使用加载的模型对知识库中的文本进行向量化处理。
• 步骤：
  1. 遍历 self.knowledge_base 字典，对每个文件的内容进行编码。
  2. 将编码结果存储到 self.vectorized_knowledge 字典中。
  3. 打印向量化完成的信息。

_get_most_relevant_knowledge 方法

python

def _get_most_relevant_knowledge(self, query: str, top_k: int = 3) -> List[Tuple[str, float]]:"""获取最相关知识"""query_vector = self.model.encode(query)similarities = []for key, vector in self.vectorized_knowledge.items():similarity = np.dot(query_vector, vector) / (np.linalg.norm(query_vector) * np.linalg.norm(vector))similarities.append((key, similarity))return sorted(similarities, key=lambda x: x[1], reverse=True)[:top_k]

• 功能：根据用户的问题，找出知识库中最相关的 top_k 个知识。
• 步骤：
  1. 对用户的问题进行编码，得到查询向量 query_vector。
  2. 计算查询向量与知识库中每个文件向量的余弦相似度。
  3. 将文件名和相似度组成元组，存储到 similarities 列表中。
  4. 对 similarities 列表按相似度降序排序，取前 top_k 个结果。

_call_deepseek_api 方法

python

def _call_deepseek_api(self, context: str, query: str) -> str:"""调用DeepSeek API"""headers = {"Authorization": f"Bearer {self.deepseek_api_key}","Content-Type": "application/json"}prompt = f"""基于以下上下文回答问题:【上下文】
{context}【问题】
{query}请给出专业、准确的回答:"""try:response = requests.post("https://api.deepseek.com/v1/chat/completions",json={"model": "deepseek-chat","messages": [{"role": "user", "content": prompt}],"temperature": 0.7,"max_tokens": 1000},headers=headers,timeout=30)response.raise_for_status()return response.json()["choices"][0]["message"]["content"]except Exception as e:print(f"API调用失败: {e}")return "无法获取回答，请检查网络连接和API密钥。"

• 功能：调用 DeepSeek API，结合相关知识和用户问题生成回答。
• 步骤：
  1. 设置请求头，包含 API 密钥和内容类型。
  2. 构造请求的提示信息，包含上下文和用户问题。
  3. 使用 requests.post 方法发送请求到 DeepSeek API。
  4. 检查响应状态码，如果正常，返回 API 的回答；否则，打印错误信息并返回错误提示。

query 方法

python

def query(self, question: str) -> str:"""查询知识库"""try:start_time = time.time()relevant = self._get_most_relevant_knowledge(question)if not relevant:return "未找到相关信息。"context = "\n\n".join(f"【{k}】\n{self.knowledge_base[k]}" for k, _ in relevant)answer = self._call_deepseek_api(context, question)print(f"查询耗时: {time.time()-start_time:.2f}秒")return answerexcept Exception as e:return f"查询失败: {str(e)}"

• 功能：处理用户的查询请求，返回回答。
• 步骤：
  1. 记录查询开始时间。
  2. 调用 _get_most_relevant_knowledge 方法找出最相关的知识。
  3. 如果没有找到相关知识，返回提示信息。
  4. 构造上下文信息，调用 _call_deepseek_api 方法生成回答。
  5. 记录查询结束时间，打印查询耗时。
  6. 返回回答，如果出现异常，返回错误信息。

main 函数

python

def main():# 配置参数KNOWLEDGE_BASE_PATH = r"D:\06_Python\20250328_Graph_knowledge\laws"DEEPSEEK_API_KEY = "XXXX"  # 替换为你的API密钥try:print("初始化知识库系统...")kb = KnowledgeBaseSystem(KNOWLEDGE_BASE_PATH, DEEPSEEK_API_KEY)print("系统已就绪，输入问题开始查询('退出'结束)")while True:try:q = input("\n问题: ").strip()if q.lower() in ['退出', 'exit', 'quit']:breakif q:print("\n回答:", kb.query(q))except KeyboardInterrupt:print("\n输入'退出'结束程序")continueexcept Exception as e:print(f"系统初始化失败: {str(e)}")finally:print("系统已关闭")

• 功能：程序的入口函数，初始化知识库系统并处理用户的查询请求。
• 步骤：
  1. 设置知识库路径和 DeepSeek API 密钥。
  2. 初始化 KnowledgeBaseSystem 类的实例。
  3. 进入循环，等待用户输入问题。
  4. 如果用户输入 退出、exit 或 quit，退出循环。
  5. 如果用户输入有效问题，调用 query 方法获取回答并打印。
  6. 处理异常，确保系统关闭时打印关闭信息。

程序入口

python

if __name__ == "__main__":main()

• 确保代码作为脚本直接运行时，调用 main 函数。

使用说明

1. 确保已经安装了所需的库：numpy、requests 和 sentence-transformers。
2. 将 XXXX 替换为实际的本地模型路径和 DeepSeek API 密钥。
3. 将知识库文件（.txt 格式）放在指定的路径下。
4. 运行脚本，按照提示输入问题进行查询。输入 退出、exit 或 quit 结束程序。

完整代码（需添加本地模型路径及deep seek的API）

import os
import numpy as np
import requests
from typing import Dict, List, Tuple
import time
from sentence_transformers import SentenceTransformerclass KnowledgeBaseSystem:def __init__(self, knowledge_base_path: str, deepseek_api_key: str):self.knowledge_base_path = knowledge_base_pathself.deepseek_api_key = deepseek_api_keyself.model = self._load_local_model()  # 加载本地模型self.knowledge_base: Dict[str, str] = {}self.vectorized_knowledge: Dict[str, np.ndarray] = {}self._load_knowledge_base()self._vectorize_knowledge()def _load_local_model(self):"""从本地文件加载模型"""model_paths = [XXXX,  # 本地模型路径os.path.join("models", "paraphrase-multilingual-MiniLM-L12-v2"),os.path.join("models", "all-MiniLM-L6-v2"),"all-MiniLM-L6-v2"  # 最后尝试从缓存加载]for path in model_paths:try:if os.path.exists(path):print(f"尝试从本地加载模型: {path}")return SentenceTransformer(path)else:print(f"尝试加载模型: {path} (未找到本地文件)")return SentenceTransformer(path.split('/')[-1])  # 尝试从名称加载except Exception as e:print(f"加载模型 {path} 失败: {e}")continueraise RuntimeError("""
无法加载任何模型，请按以下步骤操作：
1. 手动下载模型文件:- 访问 https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2- 点击"↓"按钮下载整个仓库- 解压到项目目录下的 models/ 文件夹中
2. 或者运行以下命令自动下载(需要有网络连接):python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('all-MiniLM-L6-v2')"
""")def _load_knowledge_base(self):"""加载知识库"""print("正在加载知识库...")for root, _, files in os.walk(self.knowledge_base_path):for file in files:if file.endswith(".txt"):file_path = os.path.join(root, file)try:with open(file_path, 'r', encoding='utf-8') as f:self.knowledge_base[file] = f.read()except Exception as e:print(f"加载文件 {file_path} 失败: {e}")print(f"已加载 {len(self.knowledge_base)} 个知识文件")def _vectorize_knowledge(self):"""向量化知识库"""print("正在向量化知识库...")for key, content in self.knowledge_base.items():self.vectorized_knowledge[key] = self.model.encode(content)print("知识库向量化完成")def _get_most_relevant_knowledge(self, query: str, top_k: int = 3) -> List[Tuple[str, float]]:"""获取最相关知识"""query_vector = self.model.encode(query)similarities = []for key, vector in self.vectorized_knowledge.items():similarity = np.dot(query_vector, vector) / (np.linalg.norm(query_vector) * np.linalg.norm(vector))similarities.append((key, similarity))return sorted(similarities, key=lambda x: x[1], reverse=True)[:top_k]def _call_deepseek_api(self, context: str, query: str) -> str:"""调用DeepSeek API"""headers = {"Authorization": f"Bearer {self.deepseek_api_key}","Content-Type": "application/json"}prompt = f"""基于以下上下文回答问题:【上下文】
{context}【问题】
{query}请给出专业、准确的回答:"""try:response = requests.post("https://api.deepseek.com/v1/chat/completions",json={"model": "deepseek-chat","messages": [{"role": "user", "content": prompt}],"temperature": 0.7,"max_tokens": 1000},headers=headers,timeout=30)response.raise_for_status()return response.json()["choices"][0]["message"]["content"]except Exception as e:print(f"API调用失败: {e}")return "无法获取回答，请检查网络连接和API密钥。"def query(self, question: str) -> str:"""查询知识库"""try:start_time = time.time()relevant = self._get_most_relevant_knowledge(question)if not relevant:return "未找到相关信息。"context = "\n\n".join(f"【{k}】\n{self.knowledge_base[k]}" for k, _ in relevant)answer = self._call_deepseek_api(context, question)print(f"查询耗时: {time.time()-start_time:.2f}秒")return answerexcept Exception as e:return f"查询失败: {str(e)}"
def main():# 配置参数KNOWLEDGE_BASE_PATH = r"D:\06_Python\20250328_Graph_knowledge\laws"DEEPSEEK_API_KEY = "XXXX"  # 替换为你的API密钥try:print("初始化知识库系统...")kb = KnowledgeBaseSystem(KNOWLEDGE_BASE_PATH, DEEPSEEK_API_KEY)print("系统已就绪，输入问题开始查询('退出'结束)")while True:try:q = input("\n问题: ").strip()if q.lower() in ['退出', 'exit', 'quit']:breakif q:print("\n回答:", kb.query(q))except KeyboardInterrupt:print("\n输入'退出'结束程序")continueexcept Exception as e:print(f"系统初始化失败: {str(e)}")finally:print("系统已关闭")if __name__ == "__main__":main()