使用 LangChain、Zilliz Cloud、NVIDIA BGE-M3 和 Ollama mxbai-embed-large 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。
NVIDIA BGE-M3: NVIDIA BGE-M3 是一款尖端的语言模型，旨在生成类人文本，适用于多种自然语言处理任务。它的优势在于能够产生连贯且具有上下文相关性的响应，使其非常适合用于聊天机器人、内容创作和虚拟助手等应用。BGE-M3 在理解细微的输入方面表现出色，为用户提供高度准确且引人入胜的互动，从而增强多个行业中的自动化沟通系统。
Ollama mxbai-embed-large: 这个先进的人工智能模型专注于为自然语言处理任务生成高质量的嵌入。它的优势在于捕捉文本数据中的细微含义和关系，使其非常适合进行语义搜索、推荐系统和内容聚类应用。

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 NVIDIA BGE-M3

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.chat_models import init_chat_model

llm = init_chat_model("baai/bge-m3", model_provider="nvidia")

第 3 步：安装并配置 Ollama mxbai-embed-large

pip install -qU langchain-ollama

from langchain_ollama import OllamaEmbeddings

embeddings = OllamaEmbeddings(model="mxbai-embed-large")

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。

NVIDIA BGE-M3 优化建议

为了在检索增强生成（RAG）设置中优化 NVIDIA BGE-M3，确保您的数据检索系统经过精细调优，以实现可重用性和相关性——考虑实施缓存机制以存储频繁访问的文档。此外，实验检索参数，例如最近邻搜索中的 k 值，可以为您的特定任务产生更好的结果。利用混合精度训练来提高吞吐量并减少内存使用，同时不影响模型性能。定期通过验证测试监控和微调超参数，以实现速度和准确性之间的最佳平衡。最后，利用 NVIDIA 的 TensorRT 或 ONNX 优化工具进行模型部署，以最大化推理效率。

Ollama mxbai-embed-large 优化建议

为了优化Ollama mxbai-embed-large组件在检索增强生成（RAG）设置中的表现，可以考虑在领域特定数据上对嵌入模型进行微调，以提升检索任务的相关性。利用批处理输入查询来提高吞吐量和效率，并实施缓存机制，对频繁访问的嵌入数据进行缓存以减少延迟。监控和分析性能指标，以识别瓶颈，并迭代调整超参数，如学习率和嵌入大小，同时利用混合精度训练来平衡准确性和资源利用。最后，定期用新数据更新嵌入数据库，以保持检索结果的准确性，确保您的RAG系统始终有效和响应迅速。

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，你已经解锁了将尖端工具结合起来，从零开始构建强大RAG系统的能力！你学习了LangChain如何作为粘合剂，将数据、模型和应用程序的工作流程串联在一起。借助Zilliz Cloud作为你的向量数据库，你看到了如何高效地存储和检索大规模的嵌入，确保闪电般快速的相似性搜索。NVIDIA BGE-M3嵌入模型成为你将文本转化为丰富的、上下文感知向量的秘密武器，而Ollama的mxbai-embed-large模型则作为你的灵活LLM，生成听起来自然且信息丰富的类人响应。这些组件共同构成了一个无缝的管道：摄取数据、嵌入、存储、检索相关上下文并生成答案——同时保持性能和准确性。

但等等，还有更多！你还掌握了优化RAG系统的专业技巧，比如调整块大小以获得更好的嵌入以及在速度和精度之间取得平衡。教程中分享的免费RAG成本计算器使你能够提前估算开支，这样你就可以在不破产的情况下进行实验。现在你已经看到了这些部分如何结合在一起，真正的魔法开始了。想象一下你可以构建的应用程序——智能聊天机器人、研究助理或个性化推荐引擎。你不仅仅是按照步骤操作；你已经具备了创新的能力。所以，继续前进——调整代码，优化你的管道，让你的创造力尽情发挥。未来的AI驱动应用在你手中，而这只是个开始。创造一些令人惊叹的东西吧！🚀