Dokumente mit Ollama und dem Qwen3 Reranker-Modell neu sortieren – in Go

Implementierung von RAG? Hier sind einige Code-Schnipsel in Go – Teil 2...

Inhaltsverzeichnis

Da der Standard-Ollama keine direkte Rerank-API bietet, müssen Sie das Reranking mit dem Qwen3 Reranker in GO implementieren, indem Sie Embeddings für Abfrage-Dokumenten-Paare generieren und diese bewerten.

Letzte Woche habe ich mich etwas mit Reranking von Textdokumenten mit Ollama und dem Qwen3-Embedding-Modell - in Go beschäftigt.

Heute werde ich einige Qwen3-Reranker-Modelle testen. Dies ist Teil des umfassenden Tutorials zu Retrieval-Augmented Generation (RAG), das Architektur- und Implementierungsmuster abdeckt. Es gibt eine ganze Reihe neuer Qwen3-Embedding- und Reranker-Modelle auf Ollama verfügbar; ich verwende das mittlere Modell – dengcao/Qwen3-Reranker-4B:Q5_K_M.

reranking dogs

Der Testlauf: TL;DR

Es funktioniert und ist recht schnell, zwar nicht der ganz übliche Weg, aber dennoch:

$ ./rnk ./example_query.txt ./example_docs

Using embedding model: dengcao/Qwen3-Embedding-4B:Q5_K_M
Ollama base URL: http://localhost:11434
Processing query file: ./example_query.txt, target directory: ./example_docs
Query: What is artificial intelligence and how does machine learning work?
Found 7 documents
Extracting query embedding...
Processing documents...

=== RANKING BY SIMILARITY ===
1. example_docs/ai_introduction.txt (Score: 0.451)
2. example_docs/machine_learning.md (Score: 0.388)
3. example_docs/qwen3-reranking-models.md (Score: 0.354)
4. example_docs/ollama-parallelism.md (Score: 0.338)
5. example_docs/ollama-reranking-models.md (Score: 0.318)
6. example_docs/programming_basics.txt (Score: 0.296)
7. example_docs/setup.log (Score: 0.282)

Processed 7 documents in 2.023s (avg: 0.289s per document)
Reranking documents with reranker model...
Implementing reranking using cross-encoder approach with dengcao/Qwen3-Reranker-4B:Q5_K_M

=== RANKING WITH RERANKER ===
1. example_docs/ai_introduction.txt (Score: 0.343)
2. example_docs/machine_learning.md (Score: 0.340)
3. example_docs/programming_basics.txt (Score: 0.320)
4. example_docs/setup.log (Score: 0.313)
5. example_docs/ollama-parallelism.md (Score: 0.313)
6. example_docs/qwen3-reranking-models.md (Score: 0.312)
7. example_docs/ollama-reranking-models.md (Score: 0.306)

Processed 7 documents in 1.984s (avg: 0.283s per document)

Reranker-Code in Go zum Aufrufen von Ollama

Nehmen Sie den Großteil des Codes aus dem Beitrag Reranking text documents with Ollama using Embedding... und fügen Sie diese Abschnitte hinzu:

Am Ende der Funktion runRnk():

  startTime = time.Now()
	// Reranking mit Reranking-Modell
	fmt.Println("Reranking documents with reranker model...")

	// rerankingModel := "dengcao/Qwen3-Reranker-0.6B:F16"
	rerankingModel := "dengcao/Qwen3-Reranker-4B:Q5_K_M"
	rerankedDocs, err := rerankDocuments(validDocs, query, rerankingModel, ollamaBaseURL)
	if err != nil {
		log.Fatalf("Error reranking documents: %v", err)
	}

	fmt.Println("\n=== RANKING WITH RERANKER ===")
	for i, doc := range rerankedDocs {
		fmt.Printf("%d. %s (Score: %.3f)\n", i+1, doc.Path, doc.Score)
	}

	totalTime = time.Since(startTime)
	avgTimePerDoc = totalTime / time.Duration(len(rerankedDocs))

	fmt.Printf("\nProcessed %d documents in %.3fs (avg: %.3fs per document)\n",
		len(rerankedDocs), totalTime.Seconds(), avgTimePerDoc.Seconds())

Fügen Sie dann noch ein paar weitere Funktionen hinzu:

func rerankDocuments(validDocs []Document, query, rerankingModel, ollamaBaseURL string) ([]Document, error) {
	// Da der Standard-Ollama keine direkte Rerank-API hat, implementieren wir
	// das Reranking, indem wir Embeddings für Abfrage-Dokumenten-Paare generieren und diese bewerten

	fmt.Println("Implementing reranking using cross-encoder approach with", rerankingModel)

	rerankedDocs := make([]Document, len(validDocs))
	copy(rerankedDocs, validDocs)

	for i, doc := range validDocs {
		// Erstellen einer Prompt für das Reranking durch Kombination von Abfrage und Dokument
		rerankPrompt := fmt.Sprintf("Query: %s\n\nDocument: %s\n\nRelevance:", query, doc.Content)

		// Embedding für den kombinierten Prompt abrufen
		embedding, err := getEmbedding(rerankPrompt, rerankingModel, ollamaBaseURL)
		if err != nil {
			fmt.Printf("Warning: Failed to get rerank embedding for document %d: %v\n", i, err)
			// Fallback auf einen neutralen Score
			rerankedDocs[i].Score = 0.5
			continue
		}

		// Verwenden der Größe des Embeddings als Relevanzscore
		// (Dies ist ein vereinfachter Ansatz – in der Praxis würden Sie einen trainierten Reranker verwenden)
		score := calculateRelevanceScore(embedding)
		rerankedDocs[i].Score = score
		// fmt.Printf("Document %d reranked with score: %.4f\n", i, score)
	}

	// Dokumente nach Reranking-Score sortieren (absteigend)
	sort.Slice(rerankedDocs, func(i, j int) bool {
		return rerankedDocs[i].Score > rerankedDocs[j].Score
	})

	return rerankedDocs, nil
}

func calculateRelevanceScore(embedding []float64) float64 {
	// Einfache Bewertung basierend auf der Größe des Embeddings und positiven Werten
	var sumPositive, sumTotal float64
	for _, val := range embedding {
		sumTotal += val * val
		if val > 0 {
			sumPositive += val
		}
	}

	if sumTotal == 0 {
		return 0
	}

	// Größe normalisieren und mit positiver Tendenz kombinieren
	magnitude := math.Sqrt(sumTotal) / float64(len(embedding))
	positiveRatio := sumPositive / float64(len(embedding))

	return (magnitude + positiveRatio) / 2
}

Vergessen Sie nicht, ein wenig math zu importieren:

import (
	"math"
)

Jetzt kompilieren wir es:

go build -o rnk

und führen nun diesen einfachen RAG-Reranker-Technologie-Prototyp aus:

./rnk ./example_query.txt ./example_docs