Quipus系统的视频知识库的构建原理及使用

1  原理

    VideoRag在LightRag基础上增加了对视频的处理，详细的分析参考LightRag的兄弟项目VideoRag系统分析-CSDN博客。

     Quipus的底层的知识库的构建的核心流程与LightRag类似，但在技术栈的选择和处理有所不同。Quipus对于视频的处理实现，与VideoRag有所不同。本文重点描述Quipus的知识库的构建过程。

Quipus系统的介绍参考：Quipus，LightRag的Go版本的实现_golang lightrag-CSDN博客

1.1 文本知识库的构建

分为以下几个步骤：chunk、知识图谱构建、知识总结。

1.1.1 chunk

文本知识库在构建时，支持txt,doc,docx,html,pdf等类型。在处理时，读取文件的方式，分为三类：

文本类：直接读取

二进制文件：doc\docx\pdf等，为了便于统一处理，同时也为了避免文件加载时避免格式差异导致的失败，通过调用liboffice将doc\docx转换为pdf，再调用pdf工具按页读取pdf文档。

html：用户指定网页链接，在获取网页后，调用LLM服务，直接提取网页中的文本内容。

在chunk时，为避免超过llm模型的处理能力，需要计算token的数量，在达到预设的值时，进行切分。为了提高效率，在quipus中作了以下的优化：

假设token的数量为T，先加载3T长度的文本，计算3T长度的文本的token数量A，计算R=T-A。

然后计算后续的R长度文本，为了避免截取半个汉字，计算的token数量时，按句子的结束标点符号去要计算的文本段，当超过了token预设值，即为一个chunk，将该chunk添加到向量数据库中，在计算向量时，通过embedding计算Dim。

1.1.2 知识图谱的构建

知识图谱的知识的提取过程与LightRag类似。

知识提取时，需要将1.1.1所述的chunk取出来，向大模型请求，提取出Entity和Relation。

并以此创建需要存储Entity和Relation。

Entity中包含有：指定的知识库的Id，文件的Id，Entity的描述信息

Relation包含：srcEntity，targetEntity和关系描述

具体步骤如下：

1、遍历chunk库，从chunk向量库中取出知识，通过LLM进行知识结构的提取，提取出知识的Entity和Relation.将Entity和Relation存储到向量数据库中。

2、将Entity存储到图数据库中，将Relation存储到数据库，并与srcEntity指向的Entity，以及targetEntity指向的entity关联起来。在存储的时候，要先检索是否有实体或关系已存在，如果存在的话，则将知识进行比较，如果不同，则在知识后面进行追加，否则否略，在追加后进行知识的更新；否则进行知识的添加

1.1.3 知识总结

1、遍历chunk库，将chunk发送到LLM进行知识总结，对每个chunk进行总结，总结的知识为二级结构：一级为总的结论，二级为若干个知识点

2、将每个chunk的知识点打包，然后再送往LLM进行总结，总结的即为该文章的知识总结。总结的知识为二级：一级为该文章的总的结论，二级为该文章的若干知识点。

1.2 视频知识库的构建

对于视频知识库的构建，与文本库的差异点在于，前面的从视频中提取知识的困难。在从视频中根据音频和视频提出文本后，后续的文本处理过程为1.1相同。

因此这里重点关注音视频的处理。

在这里重点是使用ffmpeg进行音视的切分处理。

处理过程如下：

1、首先，获得文件的probe信息，从probe信息可以得到媒体文件的基本信息。

2、如果有音频，首先处理音频信息。按步长（例如120s），读取音频的内容，并将内容送到LLM识别音频内容，并将其存在transaction向量库中，id设置为文件名-starttime-endtime

3、如果有视频，将在指定的视频段时，按每5s（也可以设置更长或更短）进行抽帧，如果按步120s，则是抽取24帧到缓存，然后调用LLM，进行图像识别，得到相应的结果，再取出transaction向量库中中相同位置的音频的识别文本，组装结构体：

{"audio":"xxxx","video":"xxx"}，存储chunk库

 后续的知识图谱的提取和短识的总结和1.1相同。

1.3 知识召回

知识召回有两种模式：向量方式，知识图谱增强方式。在进行向量检索时，距离越大意味知识的关联性越差，为避免召回知识的关联度偏低，设置距离差距到达一定值时，丢弃召回的知识，避免知识污染。

1.3.1 向量检索方式

（1）调用LLM服务分析关键词，调用llm embedding模型计算向量

（2）根据计算的向量从chunk向量库中检索内容。

（3）从检索内容中根据距离，从小到大，拼接召回的知识。计算拼接内容的长度不能超过预设的token的限制。设置token的限制时，要考虑prompt模板的长度。

（4）再将召回的知识，根据system prompt模板生成system prompt

（5）创建chat req,设置system role对应的内容为system prompt， user role对应的内容为用户的问题

（6）请求llm服务,得到答案。

1.3.2 知识图谱增加方式

（1）向LLM服务请求分析用户问题的关键词

（2）根据关键词从entitydb和relation db中分别检索实体和关系

（3）根据relation从图数据库，取出两端的entity,添加到entity列中

（4）根据entity 从图数据库，检索与之有关的relation，以及relation另一端的srcEntity或targetEntity，计算enttity与之有关联的relation的数量作为rank值

 (4)  根据rank进行排序,rank值越大，越放在前面

（5）根据entity中的值，从chunk中找到相应的chunk值

（6）组装知识：包括entity中的内容、realtion中的内容，chunk文本，生成csv文本

（7）组装的知识，根据system  prompt模板生成system prompt

  (8) 创建chat req,设置system role对应的内容为system prompt， user role对应的内容为用户的问题

（9）请求llm服务,得到答案。

2  使用的关键组件

项目本身使用的语言为golang，因此在选择相关的组件时，倾向使用有go-sdk的组件。

向量库使用Milivus

图数据库使用Dgraph

媒体处理使用开源的ffmpeg-go，实际上这是对ffmpeg命令的一个封装的库

3 与当前一些系统的区别

目前大多数的rag并不支持video的知识的提取，而quipus支持文本、doc文档、pdf、图片、音频、视频的处理。

核心处理流程参考LightRag，在视频处理与VideoRag有所不同。

4 使用过程

安装过程参考Quipus，LightRag的Go版本的实现_golang lightrag-CSDN博客

ollama目前尚不支持语音识别，但支持图片的识别

xinference支持openai模型，支持语音的识别，也支持图像识别。

这里的举例，配置语音识别使用xinference的语音识别，图像识别使用ollama，embedding使用ollama的nomic-embed-text

4.1 基础环境准备

4.1.1 安装xinference部署语音识别模型

通过容器部署xinfrence:

docker run --name xinference -d -p 9997:9997 -e XINFERENCE_HOME=/data -v /data/xinference:/data --gpus all xprobe/xinference:latest xinference-local -H 0.0.0.0

打开浏览器输入地址http://127.0.0.1:9997/打开管理页面，点击启动模型->音频模型，选择

SenseVoiceSmall

下载中心选择modelscope，然后点击左下角小火箭，开始部署。xinference自动从modelsocpe下载模型，并部署

部署成功后，可以点击运行模型->音频模型，看到正在运行的SenseVoiceSmall

4.1.2 安装ollama部署图像识别模型、embedding模型、chat模型

 用户可以自己下载ollama容器，也可以自动下载代码编译。

docker run -d --netowk host -v /ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

下载图像识别模型

docker exec -it ollama ollama pull minicpm-v:latest

下载embedding模型

docker exec -it ollama ollama pull nomic-embed-text:latest

下载chat模型

docker exec -it ollama ollama pull  qwen2:latest
docker ollama show --modelfile qwen2 > /ollama/Modelfile
修改模型文件Modelfile
PARAMETER num_ctx 32768
重新创建模型
docker ollama create -f /root/.ollama/Modelfile qwen2m

4.2 配置模型

点击配置-供应商，可以添加供应商，在添加供应商之后，选择相应的供应商后，添加相应的模型

4.3 创建知识库

点击知识库按钮->创建按钮，准备创建知识库

在这里输入知识库的名称，选择模型和构建的类型，分块无论是否选择，都是必须要做的。摘要和关键在知识总结后，才会有内容。点击保存后，空白的知识库创建完成，用户可以准备好上传的文件。

4.4 上传视频

4.5 开始构建

开始构建，构建有两种方式：增量构建和全量构建，全量构建是会删除之前的构建内容，从头开始，增量构建并不会删除以前的内容，而是处理未处理的文件。

4.6 进行知识问答测试

用户选择适当的chat模型进行测试，如果不选择，则默认是知识库进行知识提取时的模型。