使用 LangChain、Faiss、Groq Qwen2.5 32B Instruct 和 NVIDIA llama-3.2-nv-embedqa-1b-v2 构建 RAG 聊天机器人

什么是 RAG

检索增强生成（Retrieval-Augmented Generation，简称 RAG）正引领生成式 AI，尤其是对话式 AI 的新潮流。它将预训练的大语言模型（LLM，如 OpenAI 的 GPT）与存储于向量数据库（如 Milvus、Zilliz Cloud）中的外部知识源相结合，从而让模型输出更准确、更具上下文相关性，并且能够及时融合最新信息。 一个完整的 RAG 系统通常包含以下四大核心组件：

• 向量数据库：用于存储与检索向量化后的知识；
• 嵌入模型：将文本转为向量表示，为后续的相似度搜索提供支持；
• 大语言模型（LLM）：根据检索到的上下文和用户提问生成回答；
• 框架：负责将上述组件串联成可用的应用。

核心组件说明

本教程将带你在 Python 环境下，借助以下组件一步步搭建一个初级的 RAG 聊天机器人：

• LangChain: 一个开源框架，帮助你协调大语言模型、向量数据库、嵌入模型等之间的交互，使集成检索增强生成（RAG）管道变得更容易。
• Faiss: 也被称为 Facebook AI Similarity Search，是一个开源的向量搜索库，可让开发者在庞大的 非结构化数据集内快速搜索语义相似的多媒体数据。(如果您需要更具扩展性的解决方案，或不想管理自己的基础设施，我们推荐使用 Zilliz Cloud，这是一个基于开源项目 Milvus 构建的全托管向量数据库服务，并提供支持最多 100 万个向量的免费套餐)。
• Groq Qwen2.5 32B Instruct: Groq Qwen2.5 是一款大型AI语言模型，专为指令跟随任务而设计。它拥有320亿个参数，擅长生成连贯、上下文相关的响应，并理解复杂查询。非常适合用于客户服务、内容创作和教育工具等应用，通过其强大且适应性强的能力提升用户互动体验。
• NVIDIA llama-3.2-nv-embedqa-1b-v2: 这个AI模型专为高级问答任务而设计，利用了NVIDIA的LLaMA架构。它在基于嵌入的问答检索方面表现出色，并在理解上下文方面提供高准确性。非常适合知识密集型应用，能够提升客户支持、教育工具和研究辅助的效果。

完成本教程后，你将拥有一个能够基于自定义知识库回答问题的完整聊天机器人。

注意事项: 使用专有模型前请确保已获取有效 API 密钥。

实战：搭建 RAG 聊天机器人

第 1 步：安装并配置 LangChain

%pip install --quiet --upgrade langchain-text-splitters langchain-community langgraph

第 2 步：安装并配置 Groq Qwen2.5 32B Instruct

pip install -qU "langchain[groq]"

import getpass
import os

if not os.environ.get("GROQ_API_KEY"):
  os.environ["GROQ_API_KEY"] = getpass.getpass("Enter API key for Groq: ")

from langchain.chat_models import init_chat_model

llm = init_chat_model("qwen-2.5-32b", model_provider="groq")

第 3 步：安装并配置 NVIDIA llama-3.2-nv-embedqa-1b-v2

pip install -qU langchain-nvidia-ai-endpoints

import getpass
import os

if not os.environ.get("NVIDIA_API_KEY"):
  os.environ["NVIDIA_API_KEY"] = getpass.getpass("Enter API key for NVIDIA: ")

from langchain_nvidia_ai_endpoints import NVIDIAEmbeddings

embeddings = NVIDIAEmbeddings(model="nvidia/llama-3.2-nv-embedqa-1b-v2")

第 4 步：安装并配置 Faiss

pip install -qU langchain-community

from langchain_community.vectorstores import FAISS

vector_store = FAISS(embedding_function=embeddings)

第 5 步：正式构建 RAG 聊天机器人

在设置好所有组件之后，我们来搭建一个简单的聊天机器人。我们将使用 Milvus介绍文档 作为私有知识库。你可以用你自己的数据集替换它，来定制你自己的 RAG 聊天机器人。

import bs4
from langchain import hub
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langgraph.graph import START, StateGraph
from typing_extensions import List, TypedDict

# 加载并拆分博客内容
loader = WebBaseLoader(
    web_paths=("https://milvus.io/docs/overview.md",),
    bs_kwargs=dict(
        parse_only=bs4.SoupStrainer(
            class_=("doc-style doc-post-content")
        )
    ),
)

docs = loader.load()

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
all_splits = text_splitter.split_documents(docs)

# 索引分块
_ = vector_store.add_documents(documents=all_splits)

# Define prompt for question-answering
prompt = hub.pull("rlm/rag-prompt")


# 定义应用状态
class State(TypedDict):
    question: str
    context: List[Document]
    answer: str


# 定义应用步骤
def retrieve(state: State):
    retrieved_docs = vector_store.similarity_search(state["question"])
    return {"context": retrieved_docs}


def generate(state: State):
    docs_content = "\n\n".join(doc.page_content for doc in state["context"])
    messages = prompt.invoke({"question": state["question"], "context": docs_content})
    response = llm.invoke(messages)
    return {"answer": response.content}


# 编译应用并测试
graph_builder = StateGraph(State).add_sequence([retrieve, generate])
graph_builder.add_edge(START, "retrieve")
graph = graph_builder.compile()

测试聊天机器人

Yeah! You've built your own chatbot. Let's ask the chatbot a question.

response = graph.invoke({"question": "What data types does Milvus support?"})
print(response["answer"])

示例输出

Milvus 支持多种数据类型，包括稀疏向量、二进制向量、JSON 和数组。此外，它还支持常见的数值类型和字符类型，使其能够满足不同的数据建模需求。这使得用户能够高效地管理非结构化或多模态数据。

优化小贴士

在搭建 RAG 系统时，合理调优能显著提升性能与效率。下面为各组件提供一些实用建议：

LangChain 优化建议

为了优化 LangChain，需要通过高效地构建链路和代理来减少工作流程中的冗余操作。使用缓存避免重复计算，从而加快系统速度，并尝试采用模块化设计，确保模型或数据库等组件能够轻松替换。这将提供灵活性和效率，使您能够快速扩展系统，而无需不必要的延迟或复杂性。

Faiss 优化建议

为了提升 Faiss 库在检索增强生成（RAG）系统中的性能，首先根据数据量和查询速度要求选择合适的索引类型；例如，使用 IVF（倒排文件）索引可以通过减少搜索空间，显著加速大数据集上的查询。通过使用 nlist 参数将数据划分为更小的簇，并在检索时设置合适的探测数 (nprobe)，以平衡速度和准确性，从而优化索引过程。确保向量得到正确的归一化，并在索引过程中考虑使用 16 位或 8 位量化，以减少大数据集的内存占用，同时保持合理的检索准确性。此外，如果可用，可以考虑利用 GPU 加速，因为 Faiss 受益于并行处理，能够加快最近邻搜索的速度。通过不断微调和基于不同参数与配置的基准测试，您可以找到最适合数据特性和检索需求的高效设置。

Groq Qwen2.5 32B Instruct 优化建议

为了在检索增强生成（RAG）设置中优化Groq Qwen2.5 32B指令模型，可以考虑实施混合精度训练，以减少内存使用并提高吞吐量。根据数据集微调超参数，如学习率和批量大小，以改善性能。利用高效的索引方法加速检索组件，以缩短查询响应时间。此外，缓存频繁的查询和响应，以最小化冗余计算。定期评估模型在验证数据上的性能，以识别随时间变化的性能下降，从而及时进行再训练或调整。最后，利用数据增强技术丰富训练数据集，这可以帮助模型在未见的查询中更好地进行泛化。

NVIDIA llama-3.2-nv-embedqa-1b-v2 优化建议

要优化NVIDIA llama-3.2-nv-embedqa-1b-v2在检索增强生成（Retrieval-Augmented Generation）环境中的性能，可以考虑采用混合精度训练，以提高计算效率，同时保持模型的准确性。利用高效的索引和检索方法，例如FAISS，以快速访问相关文档，最小化响应时间。根据验证指标调整超参数，特别是学习率和批量大小，以提高收敛速度。实施缓存策略以存储经常访问的数据和结果，以实现更快的检索。定期对模型进行性能分析，以识别瓶颈并进行必要的调整。最后，利用NVIDIA的TensorRT进行优化推理，确保您的设置在兼容硬件上受益于加速性能。

通过系统性实施这些优化方案，RAG 系统将在响应速度、结果准确率、资源利用率等维度获得全面提升。 AI 技术迭代迅速，建议定期进行压力测试与架构调优，持续跟踪最新优化方案，确保系统在技术发展中始终保持竞争优势。

RAG 成本计算器

估算 RAG 成本时，需要分析向量存储、计算资源和 API 使用等方面的开销。主要成本驱动因素包括向量数据库查询、嵌入生成和 LLM 推理。RAG 成本计算器是一款免费的在线工具，可快速估算构建 RAG 的费用，涵盖切块（chunking）、嵌入、向量存储/搜索和 LLM 生成。能帮助你发现节省费用的机会，最高可通过无服务器方案在向量存储成本上实现 10 倍降本。

立即使用 RAG 成本计算器

Calculate your RAG cost

收获与总结

通过深入学习本教程，您已经解锁了从零开始构建强大RAG系统的魔力！您了解了LangChain如何作为支柱，轻松地将组件连接成一个连贯的管道。Faiss，您的极速向量数据库，轻松处理相似性搜索，将NVIDIA的llama-3.2-nv-embedqa-1b-v2产生的稠密嵌入转化为可操作的洞察力。说到嵌入，您看到了这个紧凑而强大的模型如何将文本转化为丰富的数值表示，以确保您的系统理解上下文和细微差别。接下来是Groq的Qwen2.5 32B Instruct——这个操作的核心，通过将检索的数据与其广泛的知识合成，生成类似人类的响应。借助这些工具，您创建了一个动态循环：检索、理解、生成、重复！

等等，还有更多！本教程不仅仅停留在基础知识上。您获取了优化性能的专业技巧，例如为Faiss调整分块大小，或利用混合搜索策略在速度和准确性之间取得平衡。我们还不能忘记免费的RAG成本计算器，这是在不牺牲质量的情况下预算资源的一个游戏改变者。想象一下，您现在可以构建什么！无论是感觉活着的聊天机器人，深入挖掘的研究助手，还是激发创新的创意工具，您手中都有蓝图。那么，继续大胆实验，大胆迭代，让您的创意飞扬。智能应用的未来掌握在您手中，而您已经装备齐全，可以塑造它。让我们一起构建一些令人惊叹的东西吧！ 🚀

欢迎反馈！

我们很期待听到你的使用心得与建议！ 🌟 你可以：

• 在下方留言；
• 加入 Milvus Discord 社区，与全球 AI 爱好者一起交流。 如果你觉得本教程对你有帮助，别忘了给 Milvus GitHub 仓库点个 ⭐，这将激励我们不断创作！💖