使用 LangChain、LangChain vector store、Mistral AI Pixtral Large 和 HuggingFace all-MiniLM-L12-v1 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 Pixtral Large: 这个高级模型专为高质量的图像和文本生成而设计。凭借其强大的架构，它在创意内容生成、图像增强和多媒体集成等任务中表现出色。Pixtral Large 理想用于营销、设计和娱乐等应用，能够在保持用户友好体验的同时交付令人印象深刻的成果。
- HuggingFace all-MiniLM-L12-v1: 这个模型是一个轻量级的变换器，旨在高效地处理自然语言理解和生成任务。它在提供高质量的嵌入方面表现出色，适用于搜索、聚类和对话AI等多种应用，同时保持小巧的资源占用，以实现更快的推理和部署。非常适合资源受限的环境或移动应用程序，它在性能与效率之间达到了良好的平衡。
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 Pixtral 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("pixtral-large-latest", model_provider="mistralai")
第 3 步：安装并配置 HuggingFace all-MiniLM-L12-v1
pip install -qU langchain-huggingface
from langchain_huggingface import HuggingFaceEmbeddings
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L12-v1")
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 Pixtral Large 优化建议
Pixtral Large 是一个高性能的多模态模型，针对文本和图像输入的高级推理进行优化。通过确保高效的文档和图像索引来优化检索，利用混合搜索找到最相关的多模态内容。使用结构化上下文格式化提供检索到的文本和图像之间的清晰关系，防止模型响应中的模糊性。通过动态控制检索深度来调整推理设置——对于复杂的多模态查询获取更广泛的上下文，对于简单查询则专注于更狭窄的、高精度的检索。在将数据传递给模型之前，通过过滤冗余数据来优化令牌效率，以确保推理速度保持高效。对于频繁请求的多模态查询使用缓存，以减少处理开销。如果在生产环境中部署 Pixtral Large，请在多个节点之间分配推理，以有效处理大规模工作负载，同时保持延迟目标。
HuggingFace all-MiniLM-L12-v1 优化建议
为了优化 HuggingFace 的 all-MiniLM-L12-v1 模型以适应你的检索增强生成 (RAG) 设置，可以考虑实施混合精度训练，以加快计算速度并减少内存使用，这样可以处理更大的批量大小。在微调过程中实验性地冻结某些层，以保留某些参数并优化其他参数，从而确保更快的收敛。使用高效的数据预处理管道以减少输入瓶颈，并为频繁访问的数据实施缓存机制。此外，利用模型蒸馏技术创建更小、更快的模型版本，同时保持相当的性能，并尝试不同的池化策略，以找到最有效的方式来浓缩检索到的文档，以便提供更好的上下文输入。最后，根据验证性能定期监控和微调超参数，如学习率和批量大小，以实现最佳结果。
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
"到现在为止，你已经解锁了从零开始构建强大 RAG 系统的魔力！你了解到 LangChain 作为你的管道核心，像一台运转良好的机器一样无缝连接每个组件。LangChain 向量存储成为你存储和快速检索信息的首选，将非结构化数据转变为宝贵的上下文信息。Mistral AI 的 Pixstral Large 作为聪明的 LLM 介入，将那些检索到的片段转化为人类般的洞察性回答，感觉几乎像是魔法。还有 HuggingFace 的全 MiniLM-L12-v1 嵌入模型——你将文本转化为丰富数值表示的秘密武器，使系统能够精确地“理解”和匹配查询。这些工具一起展示了如何弥合原始数据与智能、上下文意识响应之间的差距，证明 RAG 不仅仅是一个概念——它是你可以自己构建和调整的东西！
但是，等等，还有更多呢！你还掌握了优化管道的专业技巧，比如微调块大小和在速度与准确性之间取得平衡，确保你的应用顺畅运行而不会超出预算。那个免费的 RAG 成本计算器？简直是计划项目时的纯金，为你避免预算惊喜。想象一下你接下来可以做什么——增强客户支持机器人、超级充实研究工具，甚至打造感觉像活着的 AI 伴侣。最棒的部分？你拥有迭代、实验和突破界限的技能。那么为什么还要等呢？重新投入其中，尝试不同的模型，调整你的检索策略，看看你的想法如何变为现实。智能应用的未来由你来塑造——去构建一些令人惊叹的东西，让你的创造力尽情发挥吧！🚀"
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！💖
