场景
RAG项目对应的目标客户群体是多个不同国家、不同语言，比如 英语、中文、德语等。开发RAG项目，该如何应对这种场景呢？
一、知识库搭建
1、知识库存储相关数据，是否要多语言存储？
若能够提供多语言版本的知识源数据文档，建议各种语言都Embeddings向量化存储一份；可分在不同的表里，也可以在同一个表里。
若无法提供多语言版本的知识源数据文档，或有些能有些不能，则只存储其中一份较为完善的文档。
二、提示词模版
1、提示词模版是否需要每种语言各设置一份？
强烈建议，每种语言各设置一份；并且多次检索的每次调用大模型的提示词语言保持语言一致，否则会出现语言随机出现的情况。
2、如何判断客户输入的是什么语言？
可使用lingua包，对用户输入的文本进行语言识别。
pip install lingua-language-detector
from lingua import Language, LanguageDetectorBuilderdef detect_language(text: str) -> str:"""检测文本语言，返回 zh/en"""if not text:return "en"detector = LanguageDetectorBuilder.from_languages(Language.CHINESE, Language.ENGLISH, Language.SPANISH).build()lang = detector.detect_language_of(text)if lang == Language.CHINESE:return "zh"else:return "en"
3、多轮对话引擎如何设置提示词模版？
以LlamaIndex框架的多轮对话引擎来实现，这里我们采用CondenseQuestionChatEngine对话引擎+CitationQueryEngine 查询引擎。
其中查询引擎CitationQueryEngine 需要设置2个提示词模版，citation_qa_template和citation_refine_template。如何根据多语言设置呢？LlamaIndex默认已经帮我们实现一套英文版本的提示词，根据源码可以找到提示词模版，然后拿出来翻译成各种语言版本即可。
对话引擎CondenseQuestionChatEngine还有一个提示词模版condense_question_prompt，设置方法跟上面的一样。
最终在使用该引擎时候指定对自定义的提示词模版引擎。
async def achat_stream(self, query: str, session_id: str,lang:str='en'):"""RAG-Base方法:param query:客户的提示:param session_id:对话的SessionId:param lang:客户的语言:return:"""logger.warning(f"query={query},lang={lang},session_id={session_id}")# 1- 初始化知识库索引muxue_vector=MuXueVectorStore()semantic_index = await muxue_vector.init_kbm_vector_index()# 2- 获取长期记忆和短期记忆memory = await self.get_session_memory(session_id)# logger.info(f"memory={memory}")# 获取提示词模版tcp = MuXueCitationQueryPrompt(lang)citation_qa_tmpl = tcp.get_citation_qa_prompt()citation_refine_tmpl = tcp.get_citation_refine_prompt()query_engine = CitationQueryEngine.from_args(semantic_index,similarity_top_k=3,citation_chunk_size=512,streaming=True,citation_qa_template=citation_qa_tmpl,citation_refine_template=citation_refine_tmpl,verbose=True,filters=MetadataFilters(filters=[MetadataFilter(key="lang", value=lang)]),node_postprocessors=[FallbackNodePostprocessor(threshold=0.6,verbose=True,lang=lang)] # 过滤低分)cq_prompt_custom=MuXueCondenseQuestionPrompt(lang).get_prompt()chat_engine = CondenseQuestionChatEngine.from_defaults(query_engine=query_engine,condense_question_prompt=cq_prompt_custom,memory=memory,verbose=True,)resp = await chat_engine.astream_chat(query)async for delta in resp.async_response_gen():# print(f"delta:{delta}")yield delta# 结束后再读取引用（此时后台写历史已完成）sources = [{"id": getattr(n.node, "node_id", None),"text": n.node.get_content()[:200],"metadata": getattr(n.node, "metadata", {}),}for n in (resp.sources[0].raw_output.source_nodes if resp.sources else [])]yield {"type": "sources", "content": sources}
核心代码如上，filters还可以根据MetadateFilters中lang字段进行筛选。lang字段可以在搭建知识库Embeddings的时候，根据文档的语言设置。
