【虹科干货】来抄作业！用Redis VSS，让大语言模型更懂你

news2024/12/23 7:12:35

好沮丧，大语言模型不懂我怎么办，怎么也搜不到想要的答案(ㄒoㄒ)

当当当当，Redis VSS闪亮登场，不必微调模型，也能轻松驾驭大语言，快速解答你的疑虑，满足你的求知欲，你的AI好伙伴！

在这个简短的教程中，我们将使用 Relevance AI、Redis VSS、OpenAI GPT 和 Cohere Wikipedia 嵌入创建一条LLM链，这使得我们能够使用Redis向量搜索向百科提问，根据我们的问题搜索最相似的文章。对于嵌入向量，它们是表示各种类型数据的数字列表，在这里，我们使用Cohere多语言模型生成的嵌入向量。

为了按照本教程进行操作，您需要一个支持JSON文档数据结构，且内置实时搜索和查询功能的Redis数据库。您可以选择在Redis Enterprise Cloud上创建，或者在Docker中使用Redis Stack创建。

一、设置Redis作为向量数据库

运行Redis之后，我们从HuggingFace上导入Cohere的多语言维基百科嵌入数据集，这只需要几个简单的步骤，您可以在这个jupyter笔记本中查看完整的代码。

步骤 1. 安装redis和datasets的Python库。
pip install redis datasets
步骤 2. 创建一个客户端连接。
import redis
redis_client = redis.from_url(‘redis://connection-string’)
步骤 3. 下载样本数据集。
from datasets
import load_dataset

docs = load_dataset(
“Cohere/wikipedia-22-12-simple-embeddings”, split=“train”
)
步骤 4. 使用JSON将每个文档导入Redis。
pipe = redis_client.pipeline()

index = 0
for doc in docs:
pipe.json().set(f"wiki:{doc[‘id’]}", ‘$’, doc)
if index % 500 == 0:
pipe.execute()
index += 1

pipe.execute()
步骤 5. 创建一个向量搜索索引
redis_client.execute_command(“FT.create wikipedia ON JSON PREFIX 1 wiki: SCHEMA $.id AS id NUMERIC $.title AS title TEXT $.text AS text TEXT $.wiki_id as wiki_id NUMERIC $.views as views NUMERIC $.emb as emb VECTOR HNSW 6 DIM 768 DISTANCE_METRIC L2 TYPE FLOAT32”)

此命令指定索引Wikipedia，该索引在JSON中存储数据，其中所有键都使用前缀wiki:进行索引。在模式中，我们使用$.field_name引用JSON中的每个字段，并用名称及其数据类型为其添加一个友好的标签。向量字段“emb”是向量类型，并使用HNSW作为索引类型，L2作为距离度量方式。

命令运行后，您就拥有了支持向量相似性搜索的Redis索引。

二、建立LLM链

接下来，就可以进入Relevance AI笔记本开始构建我们的LLM链了。

步骤 1. 如有必要，请注册Relevance AI的免费帐户。登录后，选择“构建AI链”并点击“创建新链”，您将进入到一个笔记本界面。

   Relevance AI链笔记本

步骤 2. 在执行LLM链之前，您需要配置您的OpenAI API密钥和Redis链接字符串。请从侧边栏选择“API keys”，然后提供您的Redis链接字符串和OpenAI API密钥。
步骤 3. 选择“从Prompt开始”，为“向量搜索(Redis)”添加新的转换。使用以下详细信息填写表格：

索引名称：您在Redis中创建的索引，即wikipedia。
向量字段：存储嵌入的字段，对于维基百科数据集，这里填emb。
模型Model: cohere-multilingual-22-12，生成搜索查询的向量嵌入。
搜索查询: 我们快速为LLM链定义一个输入。按{}并输入{{params.question}}将其更改为变量模式。

Redis 向量搜索步骤及其输入的示例
步骤4. 配置LLM Prompt以使用向量搜索向Prompt中注入上下文并提问。您可以根据自己的需要自定义Prompt。

LLM 步骤的示例，该步骤从 Redis 搜索和查询中获取上下文并提出问题