阅读量:4
文章目录
前言
为什么说用好大模型离不开向量数据库呢?
回答这个问题之前我们先来理解一下什么是向量?
比如在我们看到这个水果时，我们知道它是一个苹果。但在“苹果”这个词被发明之前，人们是如何描述这个水果的呢？通过观察它的颜色、大小、形状、纹理等特征，我们可以更清晰地定义这个水果。将这些特征用数字来表达，我们就可以得到一个向量。
一旦复杂的图像被转换成计算机可识别的数字表示，计算机就可以“认识”这个苹果了。但是，当新的苹果出现时，计算机还能识别它吗？当然可以，因为新的图像在向量空间中与最接近的向量具有高相似性，计算机可以通过比较向量之间的相似度来进行识别。
AI训练中的向量维度
今天让我们惊叹不已的人工智能,往往通过上千个向量维度来学习训练,他们就像是AI大模型的眼睛,当AI大模型遇上庞大的向量数据,这组黄金搭档如何让硅基生物更聪明呢?
以大语言模型为例。简单来说在训练时， 喂给它的词句都会先转化为向量数据， 当训练数据里出现多组类似的语言时，在向量数据组成的高维空间，相近的词汇就会距离更近，语言模型就可以逐渐捕捉到词汇间的语意和语法。
举例说明： 它会更明白苹果和西瓜语意上接近，但是和公交车相差甚远，接下来模型需要对上下文进行理解,此时Transformer架构就开始发挥作用,从每个词自身出发,观察和其他词之间的关系权重。
例如这句话里“我昨天买的苹果很好吃”， “很好吃”和“我”关系权重最大，权重结果被当作新的维度记录下来，一句更复杂的话，也转化成了带权重的向量，原模型经过查询计算。生成权重最高的答案输出给你，一次问答就完成了
快速检索非结构化数据的利器 — 向量数据库
大模型训练推理过程更为复杂,他们需要处理如文本图像,音视频等大量非结构化数据，并转化为向量数据进行学习，这些数据的规模动辄过亿,向量维度可能高达数千,在选择数据库时,传统数据库只能进行行列检索一一对应,
再输出精准的答案，但向量数据库，则是专门为非结构化数据检索而设计，它将项量数据组成一个立体高维空间,在空间中进行模糊检索，能够快速输出权重最高的答案。
AI的海马体–腾讯云向量数据库
业界的AI大模型采取预训练的模式,使用收集好的数据进行训练， 知识库难以做到实时更新，而接入向量数据库后,就像给模型插了个高性能外接硬盘，支持学习互联网等最新信息，比重新训练模型微调等方式更加便宜高效。
在线推理时,大模型其实是没有记忆功能的,只能通过重新输入之前的问答,实现短期记忆,而且输入的内容也是有长度限制的。
腾讯云向量数据库（Tencent Cloud VectorDB）作为一种专门存储和检索向量数据的服务提供给用户，可以充当AI的海马体，让人工智能拥有记忆历史，问答能够当成新的训练语料，进入向量数据库永久储存，甚至当用户提出了重复相似的提问，向量数据库会直接给出缓存答案，这就让AI大模型,越用越聪明,越用越迅捷。
一、腾讯云向量数据库介绍
重磅组合，行业领先
LLM+向量数据库，打造专属RAG应用
智能化能力
腾讯云向量数据库可以和大语言模型 LLM 配合使用。企业的私域数据在经过文本分割、向量化后，可以存储在腾讯云向量数据库中，构建起企业专属的外部知识库，从而在后续的检索任务中，为大模型提供提示信息，辅助大模型生成更加准确的答案。
产品亮点
| 高性能 | 持百万级 OPS 及毫秒级查询延迟 |
|---|---|
| 低成本 | 全流程平台托管，无需进行任何安装、部署、运维操作 |
| 大规模 | 单索引支持 10 亿级向量数据规模 |
| 简单易用 | 用户通过 API即可快速操作数据库，开发效率高 |
| 高可用 | 提供多副本高可用特性，提高容灾能力 |
| 稳定可靠 | 源自腾讯集团自研的向量检索引擎，近40个业务线上稳定运行 |
二、AI技术在智能客服中的作用
AI技术在智能客服平台中的关键作用
智能客服是一种基于AI技术的解决方案，通过向量数据库存储企业知识（如商品信息、游戏信息等），并利用LLM进行自然语言处理，从而准确、高效地回答客户问题，提高客户满意度、降低企业客服成本
融合AI技术与向量数据库的优势与挑战
| 挑战 | 优势 |
|---|---|
| 推理问题生成答案 | 通过向量数据库为LLM提供外部知识库，提高大模型回答的准确性 |
| 客服引导式话术 | LLM理解引导式话术，在用户问题不完整的情况下，通过与用户的互动，逐步引导用户提问，服务更加友好 |
| 多轮对话 | LLM通过对多轮的深入语义分析和精准理解，实现了自然、流畅的对话，增强了与用户的亲近感 |
三、智能客服平台构建
物料准备
- 访问腾讯云向量数据库， 点击立即体验
- 新建向量数据库实例， 配置完成后点击立即申请
提交完成后等待创建即可
- 创建完成后记得开启外网访问地址， 并配置白名单， 我这里配置的是0.0.0.0/0
原始数据获取
Git地址： https://github.com/SophonPlus/ChineseNlpCorpus
获取其中一个类目即可哦！！
项目开发
创建数据库
相关依赖引入
import tcvectordb from tcvectordb.model.enum import FieldType, IndexType, MetricType, EmbeddingModel from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams from tcvectordb.model.collection import Embedding, UpdateQuery from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency 创建数据库
client = tcvectordb.VectorDBClient(url='http://lb-esqjs4rv-35ijkpnybtm1fsuc******', username='root', key='gD0Ip*******', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30) db = client.create_database(database_name='db-test') print(db.database_name) 注意：
VectorDBClient中的url和key填写成自己申请的向量数据库的哦 （key 就是 秘钥）
read_consistency:设置读一致性 , 是非必填参数 ， 默认取值EVENTUAL_CONSISTENCY， 可取值如下：- ReadConsistency.STRONG_CONSISTENCY：强一致性。
- ReadConsistency.EVENTUAL_CONSISTENCY：最终一致性。
创建 Collection
# 第一步，设计索引 index = Index( FilterIndex(name='id', field_type=FieldType.String, index_type=IndexType.PRIMARY_KEY), VectorIndex(name='vector', dimension=768, index_type=IndexType.HNSW, metric_type=MetricType.COSINE, params=HNSWParams(m=16, efconstruction=200)), ) ebd = Embedding(vector_field='vector', field='text', model=EmbeddingModel.BGE_BASE_ZH) # 第二步：创建 Collection coll = db.create_collection( name='intelligent', shard=1, replicas=0, description='this is a collection of test embedding', embedding=ebd, index=index ) print(vars(coll)) 注意：
- 向量数据库的
Collection是设计的索引而不是 设计表格的结构 - 必须的索引 ： 主键 id、向量字段 vector 这两个字段目前是固定且必须的
- 除了
id,vector这两个字段外，如果有其他字段是可以不用定义的， 直接通过Embedding添加即可 create_collection参数可以直接参考 腾讯云向量数据库 ， 讲解的很清晰Embedding的功能是腾讯云向量数据库（Tencent Cloud VectorDB）提供将非结构化数据转换为向量数据的能力。 这一点我真的是爱了 。- 由于
BGE_BASE_ZH默认是 768 因此 在设置VectorIndex的dimension时 值为 768 , 否则会报错哦！
运行完上述代码之后 ， 你的向量数据库 的库名以及集合都已经创建完了哦！
Embedding
关于
Embedding我必须拿出来单独说一下， 腾讯云的工程师，简直就是太贴心了
要知道一个Embedding 将原始文本转换成向量进行数据插入， 这一点给开发者提供了多少的便利啊！（懂得都懂， 我是被折磨坏了！！）
连接数据库写入原始数据
引入依赖
import tcvectordb import pandas as pd from tcvectordb.model.document import Document, Filter, SearchParams from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency 连接向量数据库
client = tcvectordb.VectorDBClient(url='http://lb-esqjs4rv-3**********', username='root', key='gD0Ips0RA***********9CBBE', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30) # 指定写入原始文本的数据库与集合 db = client.database('db-test') coll = db.collection('intelligent') 解析csv 数据并写入原始文本 （embedding）
documents = [] count = 1 for index, row in data.iterrows(): st_info = '{}:{}'.format(row["title"], row["reply"]) count += 1 print(f'{st_info} /n 11') res = coll.upsert( documents=[ Document( id=str(count), text=st_info, title=row['title'], reply=row['reply'], ) ], build_index=True ) csv 部分数据如下
注意：
- 除了 id、text 字段必须写入，可以写入其他任意字段
- upsert 会执行覆盖写，若文档id已存在，则新数据会直接覆盖原有数据(删除原有数据，再插入新数据)
- 参数 build_index 为 True，指写入数据同时重新创建索引。
相似度查询
测试结果没有问题
相似度查询本地化
代码如下
import tcvectordb from tcvectordb.model.enum import FieldType, IndexType, MetricType, EmbeddingModel, ReadConsistency from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams from tcvectordb.model.document import Document, Filter, SearchParams client = tcvectordb.VectorDBClient(url='http://lb-esqjs4rv-*********', username='root', key='gD0Ips0RA********BBE', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30) # 指定写入原始文本的数据库与集合 db = client.database('db-test') coll = db.collection('intelligent') searchword = input('请输入查询问题:') doc_lists = coll.searchByText( embeddingItems=[searchword], params=SearchParams(ef=200), limit=3, retrieve_vector=False, ) # printf for i, docs in enumerate(doc_lists.get("documents")): print(i) for doc in docs: print(doc) 测试结果：
这里我是直接选择csv 中的一个问题进行提问的 ， 可以看出返回三条中第一条匹配度是 0.9 ， 完全没有问题， 而这个回答也是csv 中对应的回答
注意：
- searchByText 提供按照 embeddingItems 输入的文本批量进行相似性查询的能力
- limit 用于限制每个单元搜索条件的条数，如 vector 传入三组向量，limit 为 3，则 limit 限制的是每组向量返回 top 3 的相似度向量
- params 指定索引类型对应的查询参数，HNSW 类型需要设置 ef，指定查询的遍历范围;IVF 系列需要设置 nprobe,指定查询的单位数量
- retrieve_vector 指定是否输出向量字段
新增数据
对于数据库而言新增数据必不可少， 那么向量数据库如何实现数据插入呢 ？
代码如下 ：
import tcvectordb from tcvectordb.model.enum import FieldType, IndexType, MetricType, ReadConsistency from tcvectordb.model.index import Index, VectorIndex, FilterIndex, HNSWParams from tcvectordb.model.collection import UpdateQuery from tcvectordb.model.document import Document, SearchParams, Filter #create a database client object client = tcvectordb.VectorDBClient(url='http://xxxxxxxxp-beijing.xxxxxx.com:40000', username='root', key='xxxxxxxx', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30) # 指定写入数据的数据库与集合 db = client.database('db-test') coll = db.collection('intelligent') # 写入数据，可能存在一定延迟 res = coll.upsert( documents=[ Document(id='0001', text="腾讯云向量数据库（Tencent Cloud VectorDB）是一款全托管的自研企业级分布式数据库服务，专用于存储、检索、分析多维向量数据。该数据库支持多种索引类型和相似度计算方法，单索引支持 10 亿级向量规模，可支持百万级 QPS 及毫秒级查询延迟。腾讯云向量数据库不仅能为大模型提供外部知识库，提高大模型回答的准确性，还可广泛应用于推荐系统、自然语言处理等 AI 领域。",title='腾讯云向量数据库', is_best='1' ), Document(id='0002', text="数据写入/检索自动向量化，对齐传统数据库的使用体验，用户无需关注向量生成过程，极大降低使用门槛。", title='Embedding功能', is_best='1'), Document(id='0003', text="腾讯云向量数据库 Tencent Cloud VectorDB 基于腾讯集团每日处理千亿次检索的向量引擎 OLAMA，底层采用 Raft 分布式存储，通过 Master 节点进行集群管理和调度，实现系统的高效运行。同时，腾讯云向量数据库支持设置多分片和多副本，进一步提升了负载均衡能力，使得向量数据库能够在处理海量向量数据的同时，实现高性能、高可扩展性和高容灾能力。", title='产品架构', is_best='1'), ], build_index=True ) 我们自定一些数据进行写入， 看一下是否可以查询的到呢 ？
根据反馈的结果可以看到， 数据执行是完全没有问题的， 那么我们如和实现智能客服呢 ？
参考链接 腾讯云向量数据库这里给我们 提供了http api 的开发手册哦！ 还等什么赶快去体验一下吧 ！！
四、向量数据库api
通过上面的介绍我们已经了解了，腾讯云向量数据库的使用了， 接下来我们将启动本地服务完成接口调用， 从而实现智能客服的开发
1. 搭建FastAPI 开启本地接口调用
from fastapi import FastAPI import tcvectordb from tcvectordb.model.enum import ReadConsistency from tcvectordb.model.document import SearchParams app = FastAPI() @app.get("/search") async def search_docs(searchword: str): client = tcvectordb.VectorDBClient( url='http://lbxxxxxxx.com:40000', username='root', key='xxxxxxxx', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30 ) db = client.database('db-test') coll = db.collection('intelligent') doc_lists = coll.searchByText( embeddingItems=[searchword], params=SearchParams(ef=200), limit=1, retrieve_vector=False, ) results = [] for i, docs in enumerate(doc_lists.get("documents")): result = {} result["index"] = i result["docs"] = [doc for doc in docs] results.append(result) return results 将上述代码放入 main.py 中， 然后终端输入 uvicorn main:app --reload 来启动程序
效果如下图：
浏览器进行接口访问 ：
到目前为止， 我们的接口已经没有问题了 ， 但是如果接入前端程序的话，会出现一个问题 === 跨域
这个问题我们可以加入中间件来启用跨域资源共享
# 添加中间件以启用跨域资源共享 app.add_middleware( CORSMiddleware, allow_origins=["*"], # 允许所有来源的跨域请求，你也可以指定具体的来源 allow_credentials=True, allow_methods=["*"], # 允许所有HTTP方法的请求 allow_headers=["*"], # 允许所有头部的请求 ) 完整代码如下 ：
from fastapi import FastAPI import tcvectordb from tcvectordb.model.enum import ReadConsistency from tcvectordb.model.document import SearchParams app = FastAPI() # 添加中间件以启用跨域资源共享 app.add_middleware( CORSMiddleware, allow_origins=["*"], # 允许所有来源的跨域请求，你也可以指定具体的来源 allow_credentials=True, allow_methods=["*"], # 允许所有HTTP方法的请求 allow_headers=["*"], # 允许所有头部的请求 ) @app.get("/search") async def search_docs(searchword: str): client = tcvectordb.VectorDBClient( url='http://lbxxxxxxx.com:40000', username='root', key='xxxxxxxx', read_consistency=ReadConsistency.EVENTUAL_CONSISTENCY, timeout=30 ) db = client.database('db-test') coll = db.collection('intelligent') doc_lists = coll.searchByText( embeddingItems=[searchword], params=SearchParams(ef=200), limit=1, retrieve_vector=False, ) results = [] for i, docs in enumerate(doc_lists.get("documents")): result = {} result["index"] = i result["docs"] = [doc for doc in docs] results.append(result) return results 好啦 接下来 就可以正常的调用了 ！！
五、常见问题
embedding在写入数据时text字段是有长度限制的， 导致在写入数据时会报错 ，这一点需要注意一下- 官网上部分参数讲解的并不是很清晰， 需要自己去摸索一下
六、总结
整体体验下来感觉腾讯云向量数据库真是个宝藏啊， 写入的速度也是杠杠的， 有项体验的宝贝抓紧体验一下吧
- 对于
embedding的设定节省了我很多的时间 ， 再也不用担心我的原始数据如何转换向量啦 - 官方文档也比较多， 完全不用担心自己会被卡到哦！
总之， 腾讯云向量数据库在用户体验上以及学习成本上做了很大的功夫， 完全不用担心使用以及操作上的问题。具体的信息大家也可以查看一下官方对腾讯云数据库的见解：
