使用 LangChain、LangChain vector store、AWS Bedrock Claude 3 Opus 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。
• LangChain in-memory vector store: 一个内存型， 临时性 的向量存储，将嵌入数据存储在内存中，并通过精确的线性搜索找到最相似的嵌入。默认的相似度度量是余弦相似度，但可以更改为 ml-distance 支持的任何相似度度量。目前该存储仅适用于演示，不支持 ID 或删除操作。 (如果您需要为应用程序或企业项目提供更具扩展性的解决方案，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。)
• AWS Bedrock Claude 3 Opus: 这一款来自Claude 3系列的模型专注于高性能的自然语言理解和生成。它旨在满足需要细致文本创作、详细分析和高级对话能力的应用。非常适合希望提升客户互动、内容创作和复杂查询处理的企业，同时优化可扩展性。
• 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 AWS Bedrock Claude 3 Opus

pip install -qU "langchain[aws]"

# Ensure your AWS credentials are configured

from langchain.chat_models import init_chat_model

llm = init_chat_model("anthropic.claude-3-opus-20240229-v1:0", model_provider="bedrock_converse")

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 LangChain vector store

pip install -qU langchain-core

from langchain_core.vectorstores import InMemoryVectorStore

vector_store = InMemoryVectorStore(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。

LangChain in-memory vector store 优化建议

LangChain 内存型向量存储只是一个临时性的向量存储，它将嵌入数据存储在内存中，并进行精确的线性搜索以找到最相似的嵌入。它的功能非常有限，仅适用于演示。如果您计划构建一个功能完整甚至生产级的解决方案，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。)

AWS Bedrock Claude 3 Opus 优化建议

Claude 3 Opus 在 AWS Bedrock 上是一个高容量模型，适用于需要深度推理的复杂 RAG 应用程序。通过使用多步骤排名策略来优化检索，确保只有最相关的文档被纳入上下文。保持提示简洁但全面，以逻辑顺序结构化检索到的信息，有效引导模型。对于基于事实的任务，使用 0.1 到 0.2 之间的温度设置，而对于更具创意的响应则使用稍高的值。为了管理 API 成本和延迟，为高流量应用实施响应缓存和查询批处理。利用 AWS Bedrock 的自动扩展功能，以在不妥协响应时间的前提下处理波动的工作负载。如果 Opus 是多层次系统的一部分，则根据需要选择性地使用它，处理需要深度分析的高价值查询，同时将更简单的任务转给较小的模型。

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

" 通过深入这个教程，你解锁了从零开始构建尖端RAG系统的强大力量！你了解到，LangChain作为将一切串联在一起的粘合剂，顺畅地协调着组件之间的数据流。LangChain向量库作为你可靠的知识库，高效地存储和检索由NVIDIA的闪电快的llama-3.2-nv-embedqa-1b-v2模型生成的嵌入，将文本转化为丰富的数字表示。接着是AWS Bedrock的Claude 3 Opus，你系统的大脑，将检索到的上下文综合成既自然又深刻的人类回应。这些工具共同创建了一个管道，让原始数据转变为可操作的智能——回答问题、生成创意和以卓越的准确性解决问题。

但你并没有止步于基础知识！你探索了优化技巧，比如调整嵌入维度和完善检索策略，以平衡速度与准确性。你甚至亲身使用了免费的RAG成本计算器来估算开销，并聪明地扩展你的项目。想象一下现在的可能性：理解细微差别的聊天机器人、解析海量数据的研究助手，或者激发创新的创意工具。你所获得的技能——连接框架、模型和数据库——是未来AI驱动解决方案的基石。那么，接下来呢？把这些知识应用起来，勇敢实验，微调你RAG机器中的每一个齿轮。无论你是优化性能、成本还是创造力，你都有能力实现它。智能应用的未来掌握在你手中——开始构建、持续迭代，让你的创意飞扬吧！🚀 "

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！💖