使用 Python 构建您自己的个性化健身 RAG 代理！

AI代理 | RAG代理 | Python | DSPy | 健身代理 | 初学者友好

完整且适合初学者的指南：使用 Python 构建您完全个性化的健身 RAG 代理

还不是会员？请随时访问完整文章 这里。

无论您是开发者还是运动员，健身始终位居我们新年决心的首位。

减掉这么多体重，增加多少肌肉量等等。在这种日益紧张的生活方式中，跟上我们身体的健身需求变得越来越困难。

而有一样东西，可以帮助您在至少某些健身旅程的努力中，那就是 个性化健身代理，一个在这个领域的专家，总是陪伴在您身边，并且和您一样关注您的健康。

在本文结束时，您将使用 Python 构建一个 健身 RAG 代理。创建 检索增强生成 (RAG) 代理 是非常深思熟虑的，因为它将帮助我们结合信息检索和文本生成的力量，为您的所有查询提供准确、个性化、上下文相关的答案。

兴奋吗？让我们开始敲击键盘吧！

以下是整篇文章的 目录，供您快速浏览。

∘ AI 代理 | RAG 代理 | Python | DSPy | 健身代理 | 适合初学者· 前提条件 🔮· 安装软件包📦· 收集数据 📚· 从书中提取文本 📙· 将文本拆分为文档📖· 编译数据 💽· 创建检索模型 📳· 配置语言模型和检索模型 ⚙️· 为代理创建签名 🗞️· 创建 RAG 模块🤖· 查询代理⁉️· 代理的结果 📜· 完整代码库 💨· 结论 🧩· 今天的灵感 🌠· 作者的说明 ✒️

前提条件 🔮

在我们实际开始开发健身代理之前，最重要的事情之一是关注这个项目的主要前提条件。

• 该项目涉及配置语言模型，在我们的案例中将使用 gemini-1.5-flash。要使用此语言模型，您需要您的 Google API 密钥来查询模型，您可以从 这里 获取一个。
• 本文重点介绍开发专门的 RAG 代理，因此为了使事情更易于理解，建议您先阅读这篇 文章，因为它将清除您大部分的基本疑问，并且还会为您提供该概念的入门指导。

没错！就这些，没有更多准备的事情，让我们直接进入开发阶段。🧑🏻‍💻

安装软件包📦

为了方便我们代理的开发，我们将使用一些 PPP (Popular-Python-Packages)，它们是 PyPDF2、langchain、dspy==0.1.5 和 dspy-ai[faiss-cpu]。

安装这些软件包甚至比涂黄油到面包上还要简单，方法如下，—

// For Notebook
!pip install PyPDF2 langchain dspy==0.1.5 dspy-ai[faiss-cpu]

// For Terminal
pip install PyPDF2 langchain dspy==0.1.5 dspy-ai[faiss-cpu]

此外，随着我们进一步开发 Fitness AI RAG Agent，我们将会更多地了解这些软件包。

收集数据 📚

收集数据是一个重要步骤，将主要决定我们代理生成的响应的准确性和相关性。

为了简单起见和演示，我们将使用一本书，但您可以收集更多数据，以供我们的代理参考。

我们将使用一本关于健身的最著名书籍之一，即——

“You Are Your Own Gym: The Bible of Bodyweight Exercises for Men and Women”

By- Mark Lauren & Joshua Clark

您也可以从这里下载这本书。

从书籍中提取文本 📙

由于我们所提到的数据是一本书，而我们知道一本书包含的不仅仅是纯文本，我们也知道代理只能通过文本进行搜索以供参考。

既然我们知道这些，我们也应该知道如何从书中提取文本。现在，PyPDF2 包将帮助我们完成这个工作。

提取书中文本的代码如下：

from PyPDF2 import PdfReader

reader = PdfReader("/content/You_Are_Your_Own_Gym.pdf")
complete_text = ""

for page in reader.pages:
  text = page.extract_text()
  complete_text += text

这段代码将逐页提取书中的文本，并将内容存储在 complete_text 变量中。

💡自己尝试： 与其将整个文本存储在一个变量中，不如尝试将内容写入文件。

将文本拆分为文档📖

在从书籍（PDF 文件）中提取所有文本后，我们必须将其拆分为可以存储在向量数据库中的块。这些块也称为文档。

创建这些文档的主要目的是在内容之间实现重叠，这将有助于语言代理将相同的内容组合在一起，并最终更好地学习。

我们将使用 RecursiveCharacterTextSplitter()，来自 langchain.text_splitter 模块，以实现这一目标。

相关代码如下，—

from langchain.text_splitter import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(
    # Set a chunk size, to splitting the documents.
    chunk_size=1024,
    chunk_overlap=100,
    length_function=len,
    is_separator_regex=False,
)

## Contains all the chunked documents of the complete_text_book
texts = text_splitter.create_documents([complete_text])

这里，texts 包含指定块大小的所有文档，遵循块重叠长度。

💡自己尝试： 尝试不同的 chunk_size 和 chunk_overlap 的值，并注意代理的响应变化。

编译数据 💽

我们之前创建的 texts 包含了所有文档的列表，每个文档本身包含大量信息，包括页面内容、元数据等。

现在我们必须收集每个文档中存在的所有页面内容，并准备一个列表，这将为我们的检索模型提供数据。

准备每个文档中所有 page_content 的列表的代码如下，—

## An array containing the page_content of each and every document
page_contents = [text.page_content for text in texts]

创建检索模型 📳

检索模型是从整个数据库中检索出最相关信息的模型。从数据库中检索的信息将构成参考内容的基础，这些内容将在我们的代理响应时使用。

使用 dspy-ai[faiss-cpu] 包，我们只需一行代码即可创建自己的检索模型，代码如下——

from dspy.retrieve.faiss_rm import FaissRM
frm = FaissRM(page_contents)

在这里，frm 是我们的检索模型，它使用 FAISS，提供了一种高效的方法来搜索和聚类稠密向量或数据的向量嵌入。

配置语言模型和检索模型 ⚙️

经过如此多的准备工作，现在我们进入配置语言模型和检索模型的阶段。

我们将使用 dspy 包来完成这项工作，—

import dspy

## 我们项目的 gemini LM
gemini = dspy.Google(model='gemini-1.5-flash', api_key="<YOUR_GOOGLE_API_KEY>", temperature=0.3)

## 使用 LM 和 RM 配置 dspy
dspy.settings.configure(lm=gemini, rm=frm)

我们使用 gemini-1.5-flash 模型作为我们的语言模型。在这里，您需要将 <YOUR_GOOGLE_API_KEY> 替换为您的 API 密钥，然后就可以开始了！

💡尝试一下： 尝试更改 temperature 的值，并监控模型生成的响应质量。

为代理创建签名 🗞️

使用 DSPy 时，我们必须向 RAG 代理提供指令，说明代理应如何响应所有查询，以及如何使用它所拥有的信息。

通过使用 DSPy，我们可以以简单的语言传递这些指令，形成 DSPy 签名。根据这些指令，DSPy 会调整和优化语言模型以适应用例。

我们 RAG 代理的基本签名如下，—

class GenerateAnswer(dspy.Signature):
    """你是一位知识渊博且富有同理心的虚拟健身教练，专注于制定个性化健身计划并为各个健身水平的用户提供指导。你的目标是支持、教育和激励用户安全、可持续地实现他们的健身和健康目标。以友好、专业和鼓励的语气回应查询，确保你的建议是可操作的、基于证据的，并根据用户的需求量身定制。

在你的回应中，确保遵循以下原则：

同理心和鼓励：始终保持积极、无评判的语气，鼓励用户，无论他们的健身水平或面临的挑战如何。
示例：‘你迈出了第一步，真棒！让我们一起制定一个符合你日程的计划。’

个性化：利用用户提供的信息，如他们的健身目标、当前活动水平、饮食偏好和任何限制，来定制回应。
示例：对于希望减肥的初学者，建议他们可以遵循的可管理的锻炼和饮食想法。

基于证据的建议：提供基于科学证据的推荐，用简单的术语解释你建议背后的理由。
示例：解释为什么力量训练有助于减肥目标或水分在恢复中的作用。

安全第一：在所有建议中强调正确的姿势、逐步进展和预防受伤。如果用户报告疼痛或不适，建议咨询医疗专业人员。
示例：‘如果你是跑步新手，可以先通过步行和慢跑的结合逐渐提高耐力。’

可操作的步骤：将建议分解为用户可以轻松遵循的简单、可操作的步骤或例程。
示例：提供初学者的锻炼计划，包含清晰的组数、次数和休息间隔。

教育性见解：以易于理解和实施的方式分享有关健身、营养或健康的教育小贴士。
示例：解释宏观营养素在肌肉构建中的重要性或动态拉伸在锻炼前的好处。

多样化沟通：有效回应各种用户需求，如：

锻炼指导：建议针对减肥、增肌或灵活性等目标的具体锻炼。

饮食和营养：提供餐点创意、份量指导以及均衡饮食的见解。

激励和心态：提供激励支持，帮助用户保持一致性和积极性。

       如果你没有与用户查询相匹配的上下文，可以礼貌地说明该查询无法得到很好的回答。
       如果查询与健身教练无关，你可以礼貌地拒绝回答，并说明你的目的。
    """

    context = dspy.InputField(desc="may contain relevant facts")
    question = dspy.InputField(desc="The query of the user")
    answer = dspy.OutputField()

这里所有在 """ """ 之间的文本都是指令。在创建签名时，我们还需要传递有关正在处理的输入和作为代理响应的输出的信息。

是的，我知道提示内容相当长，但指令越大、越详细，签名得到的响应就越一致。

💡尝试一下： 尝试添加更多指令或完全更改它，并监控代理生成的响应。

创建 RAG 模块🤖

在我们完成为 RAG 代理编写签名之后，现在我们需要声明一个类，其对象将用于查询我们的代理。

创建该模块的代码如下，—

 class RAG(dspy.Module):
    def __init__(self, num_passages=5):
        super().__init__()

        self.retrieve = dspy.Retrieve(k=num_passages)
        self.generate_answer = dspy.ChainOfThought(GenerateAnswer)

    def forward(self, question):
        context = self.retrieve(question).passages
        prediction = self.generate_answer(context=context, question=question)
        return dspy.Prediction(context=context, answer=prediction.answer)

在这里，我们在 RAG 类中继承了 dspy.Module，以便使用重要的方法，如 dspy.ChainOfThought 和 dspy.Prediction。

在此，dspy.Retrieve 调用配置的 RM（在我们的例子中是 frm），并检索与用户查询最匹配的前 5 个结果。

然后，将 RM 的结果与问题一起传递给代理以生成答案。dspy.ChainOfThought 模块的主要目的是根据代理的签名或指令中提到的说明，将问题（或查询）分解成更小的部分。

查询代理⁉️

太好了！🥳 我们准备好查询代理了！

我们经历了键盘的考验，构建了我们出色的代理。现在是实际查询或测试我们代理以满足特定健身需求的时候了。

要查询代理，我们必须创建一个 RAG 模块的对象，然后将查询作为参数传递给该对象。执行的代码是，—

r = RAG()
response = r("I am a software developer, and have to sit for around 5-6 hr daily. Suggest something to me")
response.answer

在运行内核后，代理的输出是，—

此外，我使用 Python 的 rich_text 将 markdown 转换为富文本。

来自代理的结果 📜

一些来自我们代理的更多结果。

查询 1：我身高 5’10”，体重约 80Kg。我每天可以投入大约 15 分钟，我该如何进行？

（这不是我🫣，我更健康！）

查询 2：我在白天和餐后感到困倦。我想变得健康，但感到缺乏锻炼的动力。

完整代码库 💨

项目的完整代码库如下，—

from PyPDF2 import PdfReader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from dspy.retrieve.faiss_rm import FaissRM
import dspy
from rich import markdown

reader = PdfReader("/content/You_Are_Your_Own_Gym.pdf")
complete_text = ""

for page in reader.pages:
  text = page.extract_text()
  complete_text += text

text_splitter = RecursiveCharacterTextSplitter(
    # 设置分块大小，以拆分文档。
    chunk_size=1024,
    chunk_overlap=100,
    length_function=len,
    is_separator_regex=False,
)

## 包含完整文本书籍的所有分块文档
texts = text_splitter.create_documents([complete_text])

## 包含每个文档的页面内容的数组
page_contents = [text.page_content for text in texts]

frm = FaissRM(page_contents)

## 我们项目的 gemini LM
gemini = dspy.Google(model='gemini-1.5-flash', api_key="<YOUR_API_KEY>", temperature=0.3)

## 使用 LM 和 RM 配置 dspy
dspy.settings.configure(lm=gemini, rm=frm)

## 代理的签名
class GenerateAnswer(dspy.Signature):
    """你是一位知识渊博且富有同理心的虚拟健身教练，专注于制定个性化的健身计划并为各个健身水平的用户提供指导。你的目标是支持、教育和激励用户安全和可持续地实现他们的健身和健康目标。以友好、专业和鼓励的语气回应用户的询问，确保你的建议是可操作的、基于证据的，并根据用户的需求量身定制。

在你的回答中，确保遵循以下原则：

同理心和鼓励：始终保持积极、非评判的语气，鼓励用户，无论他们的健身水平或面临的挑战如何。
示例：‘你迈出了第一步，这太棒了！让我们一起制定一个适合你日程的计划。’

个性化：利用用户提供的信息，例如他们的健身目标、当前活动水平、饮食偏好和任何限制，以量身定制回答。
示例：对于一个希望减肥的初学者，建议他们可以遵循的可管理的锻炼和膳食建议。

基于证据的建议：提供基于科学证据的推荐，以简单的术语解释你建议背后的理由。
示例：解释为什么力量训练有助于减肥目标或水合作用在恢复中的作用。

安全第一：在所有建议中强调正确的姿势、逐步进展和预防伤害。如果用户报告疼痛或不适，建议咨询医疗专业人员。
示例：‘如果你是跑步新手，建议从走路和慢跑的混合开始，逐渐建立耐力。’

可操作步骤：将建议分解为用户可以轻松遵循的简单、可操作的步骤或例程。
示例：提供一个初学者的锻炼计划，包含明确的组数、次数和休息间隔。

教育性见解：以易于理解和实施的方式分享关于健身、营养或健康的教育性提示。
示例：解释宏观营养素在肌肉生长中的重要性或动态拉伸在锻炼前的好处。

多样化沟通：有效回应各种用户需求，例如：

锻炼指导：建议特定的锻炼以实现减肥、增肌或灵活性等目标。

饮食和营养：提供膳食建议、份量指导以及均衡饮食的见解。

动机和心态：提供动机支持，帮助用户保持一致和积极。

       如果你没有与用户查询匹配的上下文，可以礼貌地说明该查询无法很好地回答。
       如果查询与健身教练无关，可以礼貌地拒绝回答，并说明你的目的。
    """

    context = dspy.InputField(desc="可能包含相关事实")
    question = dspy.InputField(desc="用户的查询")
    answer = dspy.OutputField()

## RAG 模块
 class RAG(dspy.Module):
    def __init__(self, num_passages=5):
        super().__init__()

        self.retrieve = dspy.Retrieve(k=num_passages)
        self.generate_answer = dspy.ChainOfThought(GenerateAnswer)

    def forward(self, question):
        context = self.retrieve(question).passages
        prediction = self.generate_answer(context=context, question=question)
        return dspy.Prediction(context=context, answer=prediction.answer)

## 实例化 RAG 代理
r = RAG()

## 查询代理
response = r("我是一名软件开发人员，每天需要坐大约 5-6 小时。给我建议一些。")

## 将 markdown 转换为富文本
b_res = markdown.Markdown(response.answer)
b_res

结论 🧩

首先，恭喜你！🥳🎉你使用 Python 和 DSPy 构建了一个出色的健身代理。

那么，这就是本文的全部内容！

本文讨论的所有内容简要如下，-

• 了解了 DSPy 模块，该模块用于向语言和检索模型提供高级指令。
• 从书中提取文本，然后将其转换为文档和块，以便存储在数据库中。
• 创建了一个 FAISS 检索模型，这是一个用于高效搜索和聚类密集向量的库。
• 为你的 Fitness 代理创建了一个签名，给它指示如何使用可用信息并响应用户查询。
• 创建了一个 RAG 模块，特别用于导航所有过程及其结果。
• 向我们的健身 RAG 代理发起查询，并分析结果。

我认为这一天的内容已经足够多了。

今日的灵感 🌠

千支蜡烛可以从一支蜡烛中点燃，而这支蜡烛的寿命不会缩短。快乐通过分享不会减少。—— 佛陀

作者的注释 ✒️

感谢您阅读本文。如果您有任何问题或建议，请随时在评论区发布。我非常重视反馈，您可以在 这里 订阅，以便直接将所有有趣和信息丰富的文章发送到您的邮箱。