LLMs 诸神之战：LangChain ，以【奥德赛】之名

Zilliz RDS

发布于 2023-08-26 08:42:50

2980

发布于 2023-08-26 08:42:50

LLMs 一出，谁与争锋？

毫无疑问，大语言模型（LLM）掀起了新一轮的技术浪潮，成为全球各科技公司争相布局的领域。诚然，技术浪潮源起于 ChatGPT，不过要提及 LLMs 的技术发展的高潮，谷歌、微软等巨头在其中的作用不可忽视，它们早早地踏入 AI 的技术角斗场中，频频出招，势要在战斗中一争高下，摘取搜索之王的桂冠。

而这场大规模的 AI 之战恰好为 LLMs 技术突破奏响了序曲。LangChain 的加入则成为此番技术演进的新高潮点，它凭借其开源特性及强大的包容性，成为 LLMs 当之无愧的【奥德赛】。

（本文首发于 The Sequence，链接为 https://thesequence.substack.com/p/guest-post-how-to-enhance-the-usefulness）

01.

LLMs 变聪明的秘密——LangChain

LLMs 优秀的对话能力已是共识，但其内存有限、容易“胡说八道”也是不争的事实。比如你要问 ChatGPT：“《荒野大镖客：救赎》游戏中设置了几种级别的难度？“，ChatGPT 会自信地回答：”没有难度设置“。但实际上，这个游戏中共设置了 3 种难度级别。LLMs 是根据权重生成答案的，因此无法验证信息的可靠性或提供信息来源。

那么，如何让 LLMs 好好地回答问题并总结数据？如何让 LLMs 提供答案来源？如何让 LLMs 记住 token 限制范围外的对话？

这个时候，LangChain 就可以大展身手了。LangChain 是一个将不同计算方式、知识与 LLMs 相结合的框架，可进一步发挥 LLMs 的实际作用。可以这样理解，只要熟练使用 LangChain[1]，你就可以搭建专业领域的聊天机器人和特定的计算 Agent 等。

不过，在 LLMs 变聪明的过程中，以 Milvus 为代表的向量数据库扮演着怎样的角色呢？或许，我们把 Milvus 看成 LLMs 的超强记忆外挂更为合适。

LLMs 一次只能处理一定数量的 token（约 4 个字符），这就意味着 LLMs 无法分析长篇文档或文档集。想要解决这个问题，我们可以将所有文档存储在数据库中，搜索时仅搜索与输入问题相关的文档，并将这些文档输入其中，向 LLMs 提问以生成最终答案。

以 Milvus[2] 为代表的向量数据库可以完美地承接这一任务，它可以利用语义搜索（

Semantic Search）[3]更快地检索到相关性更强的文档。

首先，需要将待分析的所有文档中的文本转化为 embedding 向量。在这一步中，可以使用原始的 LLMs 生成 embedding 向量，这样不仅操作方便，还能在检索过程中保留 LLMs 的“思维过程”。将所有数据转化成 embedding 向量后，再将这些原始文本的 embedding 向量和原数据存储在 Milvus 中。在查询时，可以用同样的模型将问题转化为 embedding 向量，搜索相似性高的相关问题，然后将这个相关问题作为提问，输入 LLMs 中并生成答案。

虽然这个流程看起来简单，但完成整个流水线（pipeline）的搭建需要大量的时间和精力。但好消息是，LangChain 能够帮助我们轻松实现这一点，不止如此，它还为向量数据库提供了向量存储接口（VectorStore Wrapper）。

02.

如何集成 Milvus 和 LangChain？

以下代码集成了 Milvus 和 LangChain：

class VectorStore(ABC):
    """Interface for vector stores."""    @abstractmethoddef add_texts(
        self,
        texts: Iterable[str],
        metadatas: Optional[List[dict]] = None,
kwargs:Any,
    ) ->List[str]:
"""Run more texts through the embeddings and add to the vectorstore."""    @abstractmethoddefsimilarity_search(
        self, query:str, k:int =4,kwargs: Any) -> List[Document]:
        """Return docs most similar to query."""def max_marginal_relevance_search(
        self, query: str, k: int = 4, fetch_k: int = 20) -> List[Document]:
        """Return docs selected using the maximal marginal relevance."""raise NotImplementedError

    @classmethod    @abstractmethoddef from_texts(
        cls: Type[VST],
        texts: List[str],
        embedding: Embeddings,
        metadatas: Optional[List[dict]] = None,
        **kwargs: Any,
    ) -> VST:
        """Return VectorStore initialized from texts and embeddings."""

为了将 Milvus 集成到 LangChain 中，我们需要实现几个关键函数：add_texts()

、similarity_search()、max_marginal_relevance_search()和 from_text()

。

总体而言 Milvus VectorStore 遵循一个简单的流程。首先它先接收一组文档。在大多数 LLMs 项目中，文档是一种数据类，包含原始文本和所有相关元数据。文档的元数据通常为 JSON 格式，方便存储在 Milvus中。VectorStore 会使用你提供的 emebdding 函数将接收到的文档转化为 embedding 向量。在大多数生产系统中，这些 embedding 函数通常是第三方的 LLMs 服务，如 OpenAI、Cohere 等。当然，如果能够提供一个函数，允许输入文本后返回向量，那也可以使用自己的模型。在 pipeline 的这个步骤中，Milvus 负责接收 embedding、原始文本和元数据，并将它们存储在一个集合（collection）中。随着集合中的文档数据越来越多，Milvus 会为所有存储的 embedding 创建索引，从而加快搜索的速度。

Pipeline 的最后一步就是检索相关数据。当用户发送一个问题时，文本和用于过滤的元数据被发送到 Milvus VectorStore。Milvus 会使用同样的 embedding 函数将问题转化为 embedding 向量并执行相似性搜索。Milvus 作为 VectorStore 提供两种类型的搜索，一种是默认的、按照未修改的顺序返回对象，另一种是使用最大边缘相关算法（MMR）排序的搜索。

不过，将 Milvus 集成到 LangChain 中的确存在一些问题，最主要的是 Milvus 无法处理 JSON 文件。目前，只有两种解决方法：

在现有的 Milvus collection 上创建一个 VectorStore。
基于上传至 Milvus 的第一个文档创建一个 VectorStore。

Collection schema 在 collection 创建时确定，因此所有后续新增的数据都需要符合 schema。不符合 schema 的数据都无法上传。

同样，如果在 collection 创建后向文档添加了任何新的元数据，这些新增的元数据都将被忽略。这些缺点不利于系统适用于多种场景。我们需要花很多额外精力来清理输入数据和创建新的 collection。不过好消息是，Milvus 2.3 版本即将支持存储 JSON 格式的文件，能够更进一步简化集成工作，感兴趣的朋友可以试用 Milvus 2.3 测试版[4]！

03.

写在最后

操作进行到这里，我们便可以搭建出一个 LLMs 知识库。在集成了 Milvus 后，LangChain 还新增了 Retriever，用于连接外部存储。当然，由于开发时间较短，本项目还有以下优化空间：