mirror of https://github.com/Mai-with-u/MaiBot.git
155 lines
6.2 KiB
Markdown
155 lines
6.2 KiB
Markdown
# LPMM 关键参数调节指南（进阶版）
|
||
|
||
> 本文是对 `config/bot_config.toml` 中 `[lpmm_knowledge]` 段的补充说明。
|
||
> 如果你只想使用默认配置，可以不改这些参数，脚本仍然可以正常工作。
|
||
|
||
所有与 LPMM 相关的参数，都集中在：
|
||
|
||
```toml
|
||
[lpmm_knowledge] # lpmm知识库配置
|
||
enable = true
|
||
lpmm_mode = "agent"
|
||
...
|
||
```
|
||
|
||
下面按功能将常用参数分为三组介绍。
|
||
|
||
---
|
||
|
||
## 一、检索相关参数（影响答案质量与风格）
|
||
|
||
```toml
|
||
qa_relation_search_top_k = 10 # 关系检索TopK
|
||
qa_relation_threshold = 0.5 # 关系阈值，相似度高于该值才认为“命中关系”
|
||
qa_paragraph_search_top_k = 1000 # 段落检索TopK，越小可能影响召回
|
||
qa_paragraph_node_weight = 0.05 # 段落节点权重，在图检索&PPR中的权重
|
||
qa_ent_filter_top_k = 10 # 实体过滤TopK
|
||
qa_ppr_damping = 0.8 # PPR阻尼系数
|
||
qa_res_top_k = 3 # 最终提供给问答模型的段落数
|
||
```
|
||
|
||
- `qa_relation_search_top_k`
|
||
控制“最多考虑多少条关系向量候选”。
|
||
- 数值大：召回更全面，但略慢；
|
||
- 数值小：更快，可能遗漏部分隐含关系。
|
||
|
||
- `qa_relation_threshold`
|
||
关系相似度的阈值：
|
||
- 数值高：只信任非常相关的关系，系统更可能退化为纯段落向量检索；
|
||
- 数值低：图结构影响更大，适合实体关系较丰富的场景。
|
||
|
||
- `qa_paragraph_search_top_k`
|
||
控制“最多考虑多少段落候选”。
|
||
- 太小：可能召回不全，导致答案缺失；
|
||
- 太大：略微增加计算量，一般 1000 为安全默认。
|
||
|
||
- `qa_paragraph_node_weight`
|
||
文段节点在图检索中的权重：
|
||
- 数值大：更依赖段落向量相似度（传统向量检索）；
|
||
- 数值小：更依赖图结构和实体网络。
|
||
|
||
- `qa_ppr_damping`
|
||
Personalized PageRank 的阻尼系数：
|
||
- 通常保持在 0.8 左右即可；
|
||
- 越接近 1：偏向长路径探索，结果更发散；
|
||
- 略低：更集中在与问题直接相关的节点附近。
|
||
|
||
- `qa_res_top_k`
|
||
LPMM 最终会把相关度最高的前 `qa_res_top_k` 条段落组合成“知识上下文”给问答模型。
|
||
- 太多：增加模型负担、阅读更多文字；
|
||
- 太少：信息不够充分，一般 3–5 比较平衡。
|
||
|
||
> 调参建议：
|
||
> - 优先在 `qa_relation_threshold`、`qa_paragraph_node_weight` 上做小幅调整；
|
||
> - 每次调整后，用 `scripts/test_lpmm_retrieval.py` 跑一遍固定问题，感受回答变化。
|
||
|
||
---
|
||
|
||
## 二、性能与硬件相关参数
|
||
|
||
```toml
|
||
embedding_dimension = 1024 # 嵌入向量维度,应与模型输出维度一致
|
||
max_embedding_workers = 12 # 嵌入/抽取并发线程数
|
||
embedding_chunk_size = 16 # 每批嵌入的条数
|
||
info_extraction_workers = 3 # 实体抽取同时执行线程数
|
||
enable_ppr = true # 是否启用PPR，低配机器可关闭
|
||
ppr_node_cap = 8000 # 图节点数超过该值时自动跳过PPR
|
||
ppr_relation_cap = 50 # 命中关系数超过该值时自动跳过PPR
|
||
```
|
||
|
||
- `embedding_dimension`
|
||
必须与所选嵌入模型的输出维度一致（比如 768、1024 等）。**不要随意修改，除非你知道你在做什么！！！**
|
||
|
||
- `max_embedding_workers`
|
||
决定导入/抽取阶段的并行线程数：
|
||
- 机器配置好：可以适当调大，加快导入速度；
|
||
- 机器配置弱：建议调低（如 2 或 4），避免 CPU 长时间 100%。
|
||
|
||
- `embedding_chunk_size`
|
||
每批发送给嵌入 API 的段落数量：
|
||
- 数值大：请求次数少，但单次请求更“重”；
|
||
- 数值小：请求次数多，但对网络和 API 的单次压力小。
|
||
|
||
- `info_extraction_workers`
|
||
`scripts/info_extraction.py` 中实体抽取的并行线程数：
|
||
- 使用 Pro/贵价模型时建议不要太大，避免并行费用过高；
|
||
- 一般 2–4 就能取得较好平衡。
|
||
|
||
- `enable_ppr`
|
||
是否启用个性化 PageRank（PPR）图检索：
|
||
- `true`：检索会结合向量+知识图，效果更好，但略慢；
|
||
- `false`：只用向量检索，牺牲一定效果，性能更稳定。
|
||
|
||
- `ppr_node_cap` / `ppr_relation_cap`
|
||
安全阈值：当图节点数或命中关系数超过阈值时自动跳过 PPR，以避免“大图”导致卡顿。
|
||
|
||
> 调参建议：
|
||
> - 若导入/检索阶段机器明显“顶不住”（>=1MB的大文本，且分配配置<4C），优先调低：
|
||
> - `max_embedding_workers`
|
||
> - `embedding_chunk_size`
|
||
> - `info_extraction_workers`
|
||
> - 或暂时将 `enable_ppr = false` （除非真的出现问题，否则不建议禁用此项，大幅影响检索效果）
|
||
> - 调整后重新执行导入或检索，观察日志与系统资源占用。
|
||
|
||
---
|
||
|
||
## 三、开启/关闭 LPMM 与模式说明
|
||
|
||
```toml
|
||
enable = true # 是否开启lpmm知识库
|
||
lpmm_mode = "agent" # 可选 classic / agent
|
||
```
|
||
|
||
- `enable`
|
||
- `true`：LPMM 知识库启用，检索和问答会使用知识库；
|
||
- `false`：LPMM 完全关闭，脚本仍可导入/删除数据，但对聊天问答不生效。
|
||
|
||
- `lpmm_mode`
|
||
- `classic`：传统模式，仅使用 LPMM 知识库本身；
|
||
- `agent`：与新的记忆系统联动，用于更复杂的记忆+知识混合场景。
|
||
|
||
> 修改 `enable` 或 `lpmm_mode` 后，需要重启主程序，让配置生效。
|
||
|
||
---
|
||
|
||
## 四、推荐的调参流程
|
||
|
||
1. **保持默认配置，先跑一轮完整流程**
|
||
- 导入 → `inspect_lpmm_global.py` → `test_lpmm_retrieval.py`；
|
||
- 记录当前“答案风格”和“响应速度”。
|
||
|
||
2. **每次只调整一到两个参数**
|
||
- 例如先调 `qa_relation_threshold`、`qa_paragraph_node_weight`；
|
||
- 或在性能不佳时调整 `max_embedding_workers`、`enable_ppr`。
|
||
|
||
3. **调整后重复同一组测试问题**
|
||
- 使用 `scripts/test_lpmm_retrieval.py`；
|
||
- 对比不同配置下的答案，选择更符合需求的组合。
|
||
|
||
4. **出现“怎么调都不对”时**
|
||
- 将 `[lpmm_knowledge]` 段恢复为仓库中的默认配置；
|
||
- 重启主程序，即可回到“出厂设置”。
|
||
|
||
通过本指南中的参数调节，你可以在“检索质量”“响应速度”“系统资源占用”之间找到适合自己麦麦和机器的平衡点！
|
||
|