使用 LangChain、Zilliz Cloud、OpenAI GPT-4o 和 Nomic Embed Text 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。
OpenAI GPT-4o: 这款来自OpenAI的先进模型专注于生成高度连贯和上下文相关的文本。它对细微语言的理解得到了提升，在创意写作、对话代理和教育内容方面表现出色。GPT-4o非常适合需要深入回应和创造力的应用，具有跨行业的多样性。
Nomic Embed Text V2: 一个开源的多语言文本嵌入模型，采用混合专家（MoE）架构以实现高效处理。该模型在16亿对文本上进行了训练，擅长于检索任务，支持灵活的嵌入维度，并优化存储和计算成本。其训练数据和代码完全开源，以确保透明性。

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 OpenAI GPT-4o

pip install -qU "langchain[openai]"

import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o", model_provider="openai")

第 3 步：安装并配置 Nomic Embed Text V2

pip install -qU langchain-nomic

import getpass
import os

if not os.environ.get("NOMIC_API_KEY"):
  os.environ["NOMIC_API_KEY"] = getpass.getpass("Enter API key for Nomic: ")

from langchain_nomic import NomicEmbeddings

embeddings = NomicEmbeddings(model="nomic-ai/nomic-embed-text-v2-moe")

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。

OpenAI GPT-4o 优化建议

GPT-4o针对速度和效率进行了优化，使其成为高性能RAG应用的绝佳选择。通过优化检索策略来最大化效率——使用重新排名的方法来优先考虑与模型相关性最高的文档。在保持检索上下文简洁的同时，减少令牌消耗，并确保提示遵循结构化格式。将温度调整至（0.1-0.2）以获得精确、基于事实的响应，同时在创意或探索性任务中略微提高温度。利用OpenAI API的流媒体功能来优化响应速度，减少实时应用的延迟。实施提示模板以标准化输入并减少响应中的变异性。使用混合搜索（结合关键词搜索和向量搜索）以实现更准确和上下文相关的检索。定期监控API延迟和响应一致性，动态调整检索参数以实现最佳性能。

Nomic Embed Text V2 优化建议

Nomic Embed Text V2 是一个多功能的嵌入模型，适用于 RAG 系统中的通用文本搜索任务。通过预处理输入数据以去除无关噪声并聚焦于最重要的内容，可以优化效率，这有助于减少计算开销。为了实现更快的检索，采用近似最近邻 (ANN) 搜索算法，如 HNSW 或 FAISS，加速搜索过程，同时保持准确性。考虑实施向量量化技术，在不显著影响检索质量的情况下减少存储空间。利用批处理来并行处理多个文本，降低 API 延迟。如果处理大型数据集，定期更新嵌入，以反映最新信息，确保您的检索系统保持相关性和有效性。

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，我们在这个教程中一起走过的旅程真是令人惊叹！您学会了如何整合一些真正开创性的技术，以构建一个先进的检索增强生成（RAG）系统，肯定会给人留下深刻印象。通过将LangChain、Zilliz云、OpenAI的GPT-4o和Nomic Embed Text V2结合在一起，您现在具备了创建与用户以高度复杂和智能的方式互动的应用程序的知识。

框架LangChain作为支柱，毫不费力地将所有这些组件串联在一起。您看到Zilliz云强大的向量数据库如何实现闪电般的快速搜索，确保您的系统能够在用户最需要的时候迅速检索相关信息。OpenAI的LLM将对话智能推向前沿，允许您的应用程序以自然和人性化的方式与用户互动。利用Nomic Embed Text V2确保捕捉到丰富的语义意义，为每一次互动增添深度。

我们也不要忘记那些实用的优化技巧和免费的成本计算器，帮助您在实验的同时跟踪开支。现在您已经获得了这些见解和技能，尽情让您的创造力飞扬吧！深入构建、优化和创新您自己的RAG应用程序。可能性是无限的，而您的旅程才刚刚开始。那么，您还在等什么呢？今天就开始在人工智能的世界中留下您的印记吧！