使用 LangChain、LangChain vector store、Mistral AI Mistral Large 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。)
- Mistral AI Mistral Large: 该模型为多种自然语言处理任务提供高性能的解决方案。它专注于大规模文本生成和理解，擅长处理复杂查询并生成细致的响应。非常适用于内容创作、对话代理和研究分析等应用，Mistral Large 将多功能性与高效率结合在一起。
- 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 Mistral AI Mistral Large
pip install -qU "langchain[mistralai]"
import getpass
import os
if not os.environ.get("MISTRAL_API_KEY"):
os.environ["MISTRAL_API_KEY"] = getpass.getpass("Enter API key for Mistral AI: ")
from langchain.chat_models import init_chat_model
llm = init_chat_model("mistral-large-latest", model_provider="mistralai")
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。)
Mistral AI Mistral Large 优化建议
Mistral Large 是一款高容量模型，适用于 RAG 应用中的复杂推理和深度检索任务。为提高效率，使用先进的重新排名模型来优先考虑高质量的检索结果，确保只有最相关的信息被包含在上下文窗口中。通过逻辑地分割和结构化输入提示来优化令牌效率，避免过多的上下文导致推理速度变慢。微调温度（针对事实查询为 0.1–0.2，针对创造性推理可达 0.5）和采样参数，以保持响应质量。使用动态检索策略——对模糊查询检索更广泛的上下文，对明确的问题缩小范围。部署缓存和异步处理，以高效处理高吞吐量的工作负载。如果在云环境中运行 Mistral Large，动态分配资源以平衡性能和成本。
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。
Calculate your RAG cost
收获与总结
通过深入本教程，您已经解锁了结合尖端工具创建强大 RAG 系统的能力！您了解到 LangChain 如何像胶水一样，将每个组件无缝连接起来——从协调工作流程到管理您的向量数据库与语言模型之间的交互。LangChain 向量存储 成为了您高效存储和检索丰富上下文数据的首选，确保您的系统能够以闪电般的速度访问相关信息。接着是 Mistral AI 的 Mistral Large，其通过利用检索到的上下文生成类人、细致入微的答案，令您大为惊叹。还有 NVIDIA 的 llama-3.2-nv-embedqa-1b-v2，这个未被充分重视的英雄将您的原始文本转化为高质量嵌入，使语义搜索既准确又可扩展。这些工具共同形成了一个动态管道，在检索与生成之间创造了结合，将大量数据转化为可操作的洞察！
但是等一下——还有更多！您还获得了优化 RAG 系统的专业技巧，比如在切分文档时平衡速度与准确性，或微调您的检索策略。那个 免费的 RAG 成本计算器？是预算项目而不牺牲性能的游戏改变者。现在，凭借这些知识，您已准备好构建更智能、更快速且更具成本效益的应用程序。想象一下可能性：真正理解上下文的聊天机器人、揭示隐藏宝藏的研究工具，或感觉几乎神奇的 AI 助手。未来的 AI 驱动解决方案掌握在您手中。那么，请继续——实验、迭代和创新。您下一个突破仅在几行代码之遥。让我们一起构建一些惊人的东西吧！🚀
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！💖
