使用 LangChain、LangChain vector store、Google Vertex AI Gemini 2.0 Flash Thinking 和 NVIDIA arctic-embed-l 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。)
• Google Vertex AI Gemini 2.0 Flash Thinking: 此高级AI模型旨在快速、高质量的认知分析和决策。它利用增强的自然语言理解和生成，实现无缝的互动。非常适合在客户服务、内容创作和智能自动化等实时应用中表现出色，能够在需要快速、深入回应的场景中卓越表现。
• NVIDIA arctic-embed-l: 这个AI模型旨在优化嵌入式系统，重点关注低延迟处理和能源效率。它在实时应用中表现出色，非常适合用于智能设备、物联网应用和自动化系统中的边缘计算，使现场能够进行高级分析和决策。

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 Google Vertex AI Gemini 2.0 Flash Thinking

pip install -qU "langchain[google-vertexai]"

# Ensure your VertexAI credentials are configured

from langchain.chat_models import init_chat_model

llm = init_chat_model("gemini-2.0-flash-thinking-exp-01-21", model_provider="google_vertexai")

第 3 步：安装并配置 NVIDIA arctic-embed-l

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="snowflake/arctic-embed-l")

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。)

Google Vertex AI Gemini 2.0 Flash Thinking 优化建议

Gemini 2.0 Flash Thinking旨在为RAG系统提供快速而深思熟虑的响应。通过专注于高置信度文档匹配来优化检索，减少不必要的数据处理。保持提示结构化，提前提供关键信息，同时避免过多的背景信息。调整温度设置（0.1–0.3）以微调响应多样性。使用缓存减少重复查询的API开销。利用Google Cloud的GPU加速处理以提高吞吐量。如果将Flash Thinking与更大模型结合使用，将其分配给需要比专业模型更快周转但比标准Flash更深度的中等复杂性推理任务。

NVIDIA arctic-embed-l 优化建议

为了优化您在检索增强生成（RAG）设置中的NVIDIA arctic-embed-l组件，考虑实施多线程方法来并行处理数据，这可以显著提高吞吐量。利用混合精度训练加速模型的计算，同时降低内存使用。定期使用特定领域的数据微调您的嵌入，以提高其相关性和准确性。此外，采用批处理技术来减少延迟，确保高效利用GPU。监控您的推理时间，并根据工作负载模式动态调整缓存大小，以有效平衡速度和资源消耗。

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

通过深入本教程，您已经解锁了从零开始构建强大RAG系统的魔力！您已经看到LangChain如何作为粘合剂，无缝连接您的工作流——无论您是在编排提示、管理数据流还是集成外部工具。通过与LangChain的向量存储配对，您学会了如何高效地存储和检索上下文，将非结构化数据转变为可操作的知识。但真正的突破来自于将谷歌Vertex AI的Gemini 2.0 Flash（一个经过优化以实现速度和准确性的模型）与NVIDIA的arctic-embed-l（一个将文本转化为丰富语义向量的尖端嵌入模型）相结合。结合这些工具，形成了一个动态管道，使检索与生成相结合，能够使您的应用程序以细致、精确的方式回答复杂问题。别忘了，在这个过程中您获得的优化技巧，比如调整块大小以获得更好的性能，或使用免费的RAG成本计算器来平衡效率和预算。这些微调确保了您的系统不仅智能，而且可扩展且具有成本效益！

现在，您已经看到这些部分是如何结合在一起的——框架、数据库、LLM和嵌入，是时候掌控局面，构建一些令人惊叹的东西了。无论您是在打造聊天机器人、增强搜索引擎，还是在实验AI驱动的洞察，您都拥有进行创新的工具。请记住，您应用的每一次优化和编写的每一行代码都在推动可能性的边界。因此，启动您的IDE，毫无畏惧地进行实验，让您的创造力畅流。RAG的世界等您来探索，下一个突破可能就在一个提示之遥。让我们一起构建未来——每次一个智能应用！🚀

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！💖