使用 LangChain、Zilliz Cloud、Mistral AI Pixtral 和 HuggingFace all-mpnet-base-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。
Zilliz Cloud:一个基于开源项目 Milvus 构建的全托管向量数据库即服务（DBaaS）平台，旨在处理大规模高性能的向量数据处理。通过先进的向量搜索技术，Zilliz Cloud 可帮助企业高效存储、搜索和分析大量非结构化数据，如文本、图像或音频，并提供支持最多 100 万个向量的免费套餐。
Mistral AI Pixtral: Pixtral是一个尖端的图像生成模型，旨在高质量视觉内容创作。它专注于艺术风格迁移和细节准确性，擅长将文本提示转化为生动的图像。Pixtral非常适合设计、营销和创意领域的应用，以其多功能性和美学精确性提升工作流程。
HuggingFace all-mpnet-base-v2: 这个模型是 MPNet 的一个变体，旨在用于通用的 NLP 任务，提供在句子嵌入和语义相似性方面的卓越性能。它擅长理解上下文的细微差别，因而非常适合搜索、推荐系统以及任何需要强大文本理解和匹配能力的应用。

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

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-12b-2409", model_provider="mistralai")

第 3 步：安装并配置 HuggingFace all-mpnet-base-v2

pip install -qU langchain-huggingface

from langchain_huggingface import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2")

第 4 步：安装并配置 Zilliz Cloud

pip install -qU langchain-milvus

from langchain_milvus import Zilliz

vector_store = Zilliz(
    embedding_function=embeddings,
    connection_args={
        "uri": ZILLIZ_CLOUD_URI,
        "token": ZILLIZ_CLOUD_TOKEN,
    },
)

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。

Zilliz Cloud 优化建议

优化 Zilliz Cloud 以支持 RAG 系统需要高效的索引选择、查询调优和资源管理。使用 HNSW（Hierarchical Navigable Small World）索引实现高速的近似最近邻搜索，同时平衡召回率与效率。根据数据集规模和查询负载，微调 ef_construction 和 M 参数，以优化搜索的准确性和延迟。启用动态扩展功能，可有效应对波动的工作负载，确保在不同查询负载下保持稳定性能。通过数据分区来提高检索速度，将相关数据分组以减少不必要的比较。定期更新和优化嵌入，尤其在处理不断变化的数据集时，可保持结果的相关性。采用混合搜索技术（例如结合向量搜索与关键词搜索）以提升响应质量。通过 Zilliz Cloud 的仪表板监控系统指标，并根据需要调整配置，以维持低延迟和高吞吐量的性能。

Mistral AI Pixtral 优化建议

Pixtral 针对多模态 RAG 应用进行了优化，需要对文本和视觉数据检索进行仔细管理。通过使用专门的嵌入来提高检索效率——对文本使用向量搜索，对图像使用基于 CLIP 的嵌入。实施一种多模态排序系统，以优先考虑最具上下文相关性的段落和图像。通过有效构建输入提示来优化模型性能，确保文本和视觉信息良好集成，避免不必要的重复。根据响应需求微调温度设置——对于以准确性为驱动的应用，使用较低的值（0.1–0.2），对于创意输出则使用较高的值。如果进行大规模部署，请使用并行推理以高效处理大规模多模态数据集。通过利用批处理和缓存策略来简化推理，尤其是在处理频繁查询的图像和文本对时。

HuggingFace all-mpnet-base-v2 优化建议

HuggingFace all-mpnet-base-v2 是一个强大且高效的嵌入模型，在 RAG 任务的语义理解方面表现出色。通过在嵌入之前减少文本噪声来优化检索，确保只有有意义的内容被处理。使用近似最近邻 (ANN) 搜索与 FAISS 或类似框架结合，加速查询解析而不降低质量。实施降维技术以节省内存并减少计算开销。利用缓存策略针对频繁查询的文本嵌入，以最小化 API 调用并改善延迟。针对特定任务的数据微调嵌入模型，以提高搜索结果的准确性和相关性。在扩展时，对大型数据集使用并行处理和批量嵌入操作，以优化吞吐量。

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

哇，我们一起经历了多么令人兴奋的旅程！在本教程中，您不仅了解了尖端检索增强生成（RAG）系统的强大组成部分，还见证了它们如何结合在一起，创造出真正卓越的成果。我们首先通过使用LangChain建立了一个稳固的框架，这成为我们系统的支柱，将所有复杂的部分巧妙地联系在一起，以便它们能够顺畅地沟通。接下来，我们深入探索了像Zilliz Cloud这样的向量数据库的强大能力，它能够实现闪电般的快速搜索，确保您的应用能够在瞬间获取相关信息！

但我们并没有止步于此！对话智能的魔力通过Mistral AI Pixtral LLM得以生动展现。这使得您的系统能够以自然、直观的方式与用户互动，给人一种个性化且引人入胜的体验。此外，别忘了来自Hugging Face的嵌入模型，尤其是all-mpnet-base-v2，它使得丰富的语义表示得以实现，为您的应用增添了深度和理解力。

在整个教程中，我们也加入了一些优化技巧，甚至提供了一个实用的免费成本计算器，以助力您的开发旅程。现在，您已经掌握了这些知识，是时候释放您的创造力了！去吧，开始构建、优化和创新您自己的RAG应用。可能性是无限的，我迫不及待想看到您创造出的精彩事物。投入其中，勇敢实验，让您的想法蓬勃发展！