通过阿里云Milvus和LangChain快速构建LLM问答系统

前提条件

• 已创建Milvus实例。具体操作，请参见快速创建Milvus实例。

• 已开通PAI（EAS）并创建了默认工作空间。具体操作，请参见开通PAI并创建默认工作空间。

• 已开通服务并获得API-KEY。具体操作，请参见API-KEY的获取与配置。

使用限制

• Milvus实例和PAI（EAS）须在相同地域下。

• 请确保您的运行环境中已安装Python 3.8或以上版本，以便顺利安装并使用DashScope。

方案架构

该方案架构如下图所示，主要包含以下几个处理过程：

• 知识库预处理：您可以借助LangChain SDK对文本进行分割，作为Embedding模型的输入数据。

• 知识库存储：选定的Embedding模型（DashScope）负责将输入文本转换为向量，并将这些向量存入阿里云Milvus的向量数据库中。

• 向量相似性检索：Embedding模型处理用户的查询输入，并将其向量化。随后，利用阿里云Milvus的索引功能来识别出相应的Retrieved文档集。

• RAG（Retrieval-Augmented Generation）对话验证：您使用LangChain SDK，并将相似性检索的结果作为上下文，将问题导入到LLM模型（本例中用的是阿里云PAI EAS），以产生最终的回答。此外，结果可以通过将问题直接查询LLM模型得到的答案进行核实。

操作流程

步骤一：部署对话模型推理服务

1. 进入模型在线服务页面。

   1. 登录PAI控制台。

   2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。

   3. 在工作空间页面的左侧导航栏选择模型部署>模型在线服务（EAS），进入模型在线服务（EAS）页面。

2. 在模型在线服务页面，单击部署服务。

3. 在部署服务页面，选择大模型RAG对话系统。

4. 在部署大模型RAG对话系统页面，配置以下关键参数，其余参数可使用默认配置，更多参数详情请参见大模型RAG对话系统。

   参数		描述
   基本信息	服务名称	您可以自定义。
   	模型来源	使用默认的开源公共模型。
   	模型类别	通常选择通义千问7B。例如，Qwen1.5-7b。
   资源配置	实例数	使用默认的1。
   	资源配置选择	按需选择GPU资源配置。例如，ml.gu7i.c16m30.1-gu30。
   向量检索库设置	版本类型	选择Milvus。
   	访问地址	Milvus实例的内网地址。您可以在Milvus实例的实例详情页面查看。
   	代理端口	Milvus实例的Proxy Port。您可以在Milvus实例的实例详情页面查看。
   	账号	配置为root。
   	密码	配置为创建Milvus实例时，您自定义的root用户的密码。
   	数据库名称	配置为数据库名称，例如default。创建Milvus实例时，系统会默认创建数据库default，您也可以手动创建新的数据库，具体操作，请参见管理Databases。
   	Collection名称	输入新的Collection名称或已存在的Collection名称。对于已存在的Collection，Collection结构应符合PAI-RAG要求，例如您可以填写之前通过EAS部署RAG服务时自动创建的Collection。
   专有网络配置	VPC	创建Milvus实例选择时的VPC、交换机和安全组。您可以在Milvus实例的实例详情页面查看。
   	交换机
   	安全组名称

5. 单击部署。

   当服务状态变为运行中时，表示服务部署成功。

6. 获取VPC地址调用的服务访问地址和Token。

   1. 单击服务名称，进入概览页面。

   2. 在基本信息区域，单击查看调用信息。

   3. 在调用信息对话框的VPC地址调用页签，获取服务访问地址和Token，并保存到本地。

步骤二：创建并执行Python文件

1. （可选）在ECS控制台创建并启动一个开通公网的ECS实例，用于运行Python文件，详情请参见通过控制台使用ECS实例（快捷版）。

   您也可以在本地机器执行Python文件，具体请根据您的实际情况作出合适的选择。

2. 执行以下命令，安装相关依赖库。

   pip3 install pymilvus langchain dashscope beautifulsoup4
   

3. 执行以下命令，创建milvusr-llm.py文件。

   vim milvusr-llm.py

   milvusr-llm.py文件内容如下所示。

   from langchain_community.document_loaders import WebBaseLoader
   from langchain.text_splitter import RecursiveCharacterTextSplitter
   from langchain.vectorstores.milvus import Milvus
   from langchain.schema.runnable import RunnablePassthrough
   from langchain.prompts import PromptTemplate
   from langchain_community.embeddings import DashScopeEmbeddings
   from langchain_community.llms.pai_eas_endpoint import PaiEasEndpoint
   
   # 设置Milvus Collection名称。
   COLLECTION_NAME = 'doc_qa_db'
   
   # 设置向量维度。
   DIMENSION = 768
   
   loader = WebBaseLoader([
       'https://milvus.io/docs/overview.md',
       'https://milvus.io/docs/release_notes.md',
       'https://milvus.io/docs/architecture_overview.md',
       'https://milvus.io/docs/four_layers.md',
       'https://milvus.io/docs/main_components.md',
       'https://milvus.io/docs/data_processing.md',
       'https://milvus.io/docs/bitset.md',
       'https://milvus.io/docs/boolean.md',
       'https://milvus.io/docs/consistency.md',
       'https://milvus.io/docs/coordinator_ha.md',
       'https://milvus.io/docs/replica.md',
       'https://milvus.io/docs/knowhere.md',
       'https://milvus.io/docs/schema.md',
       'https://milvus.io/docs/dynamic_schema.md',
       'https://milvus.io/docs/json_data_type.md',
       'https://milvus.io/docs/metric.md',
       'https://milvus.io/docs/partition_key.md',
       'https://milvus.io/docs/multi_tenancy.md',
       'https://milvus.io/docs/timestamp.md',
       'https://milvus.io/docs/users_and_roles.md',
       'https://milvus.io/docs/index.md',
       'https://milvus.io/docs/disk_index.md',
       'https://milvus.io/docs/scalar_index.md',
       'https://milvus.io/docs/performance_faq.md',
       'https://milvus.io/docs/product_faq.md',
       'https://milvus.io/docs/operational_faq.md',
       'https://milvus.io/docs/troubleshooting.md',
   ])
   
   docs = loader.load()
   
   text_splitter = RecursiveCharacterTextSplitter(chunk_size=1024, chunk_overlap=0)
   
   # 使用LangChain将输入文档安照chunk_size切分
   all_splits = text_splitter.split_documents(docs)
   
   # 设置embedding模型为DashScope（可以替换成自己模型）。
   
   embeddings = DashScopeEmbeddings(
       model="text-embedding-v2", dashscope_api_key="your_api_key"
   )
   
   # 创建connection，host为阿里云Milvus的访问域名。
   
   connection_args = {"host": "c-xxxx.milvus.aliyuncs.com", "port": "19530", "user": "your_user", "password": "your_password"}
   # 创建Collection
   vector_store = Milvus(
       embedding_function=embeddings,
       connection_args=connection_args,
       collection_name=COLLECTION_NAME,
       drop_old=True,
   ).from_documents(
       all_splits,
       embedding=embeddings,
       collection_name=COLLECTION_NAME,
       connection_args=connection_args,
   )
   
   # 利用Milvus向量数据库进行相似性检索。
   
   query = "What are the main components of Milvus?"
   docs = vector_store.similarity_search(query)
   print(len(docs))
   
   # 声明LLM 模型为PAI EAS（可以替换成自己模型）。
   
   llm = PaiEasEndpoint(
       eas_service_url="your_pai_eas_url",
       eas_service_token="your_token",
   )
   
   # 将上述相似性检索的结果作为retriever，提出问题输入到LLM之后，获取检索增强之后的回答。
   
   retriever = vector_store.as_retriever()
   
   template = """Use the following pieces of context to answer the question at the end.
   If you don't know the answer, just say that you don't know, don't try to make up an answer.
   Use three sentences maximum and keep the answer as concise as possible.
   Always say "thanks for asking!" at the end of the answer.
   {context}
   Question: {question}
   Helpful Answer:"""
   rag_prompt = PromptTemplate.from_template(template)
   
   rag_chain = (
       {"context": retriever, "question": RunnablePassthrough()}
       | rag_prompt
       | llm
   )
   
   print(rag_chain.invoke("Explain IVF_FLAT in Milvus."))
   

   以下参数请根据实际环境替换。

   参数	说明
   COLLECTION_NAME	设置Milvus Collection名称，您可以自定义。
   model	模型名称。 本文示例使用的Embedding模型（text-embedding-v2），您也可以替换成您实际使用的模型。有关Embedding的更多信息，请参见Embedding。
   dashscope_api_key	百炼的API-KEY。
   connection_args	"host"：Milvus实例的公网地址。您可以在Milvus实例的实例详情页面查看。 "port"：Milvus实例的Proxy Port。您可以在Milvus实例的实例详情页面查看。 "user"：配置为创建Milvus实例时，您自定义的用户名。 "password"：配置为创建Milvus实例时，您自定义用户的密码。
   eas_service_url	配置为步骤1中获取的服务访问地址。本文示例声明LLM模型为PAI（EAS），您也可以替换成您实际使用的模型。
   eas_service_token	配置为步骤1中获取的服务Token。

4. 执行以下命令运行文件。

   python3 milvusr-llm.py

   返回如下类似信息。

   4
   IVF_FLAT is a type of index in Milvus that divides vector data into nlist cluster units and compares distances between the target input vector and the center of each cluster. It uses a smaller number of clusters than IVF_FLAT, which means it may have slightly higher query time but also requires less memory. The encoded data stored in each unit is consistent with the original data.

相关文档

• 更多关于Milvus的介绍，请参见什么是向量检索服务Milvus版。

• 更多关于EAS的介绍，请参见EAS模型服务概述。

• 更多关于Embedding和LLM模型的介绍，请参见LangChain官方网站。