點(diǎn)擊鏈接閱讀原文，獲取更多技術(shù)內(nèi)容：

如何基于向量數(shù)據(jù)庫(kù)+LLM（大語言模型），打造更懂你的企業(yè)專屬Chatbot？

(資料圖)

作者 | 阿里云AnalyticDB

來源 | 阿里開發(fā)者公眾號(hào)

為什么Chatbot需要大語言模型+向量數(shù)據(jù)庫(kù)？

這個(gè)春天，最讓人震感的科技產(chǎn)品莫過于ChatGPT的橫空出世，通過大語言模型（LLM）讓人們看到了生成式AI能實(shí)現(xiàn)到和人類語言高度相仿的語言表達(dá)能力，AI不再遙不可及而已經(jīng)可以走進(jìn)人類的工作和生活，這使得沉寂一段時(shí)間的AI領(lǐng)域重新煥發(fā)了能量，無數(shù)的從業(yè)者正趨之若鶩地投身于下一個(gè)改變時(shí)代的機(jī)會(huì)；據(jù)不完全統(tǒng)計(jì)，在短短的4個(gè)月時(shí)間內(nèi)，美國(guó)已經(jīng)完成了超4000筆的生成式AI的行業(yè)融資。生成式AI已經(jīng)成為了資本和企業(yè)都無法忽視的下一代的技術(shù)密碼，而其對(duì)于底層的基礎(chǔ)設(shè)施能力提供了更高的要求。

大模型能夠回答較為普世的問題，但是若要服務(wù)于垂直專業(yè)領(lǐng)域，會(huì)存在知識(shí)深度和時(shí)效性不足的問題，那么企業(yè)如何抓住機(jī)會(huì)并構(gòu)建垂直領(lǐng)域服務(wù)？目前有兩種模式，第一種是基于大模型之上做垂直領(lǐng)域模型的Fine Tune，這個(gè)綜合投入成本較大，更新的頻率也較低，并不適用于所有的企業(yè)；第二種就是在向量數(shù)據(jù)庫(kù)中構(gòu)建企業(yè)自有的知識(shí)資產(chǎn)，通過大模型+向量數(shù)據(jù)庫(kù)來搭建垂直領(lǐng)域的深度服務(wù)，本質(zhì)是使用數(shù)據(jù)庫(kù)進(jìn)行提示工程(Prompt Engineering)。以法律行業(yè)為例，基于垂直類目的法律條文和判例，企業(yè)可以構(gòu)建垂直領(lǐng)域的法律科技服務(wù)。如法律科技公司Harvey，正在構(gòu)建“律師的副駕駛”（Copilot for Lawyer）以提高法律條文的起草和研究服務(wù)。

將企業(yè)知識(shí)庫(kù)文檔和實(shí)時(shí)信息通過向量特征提取然后存儲(chǔ)到向量數(shù)據(jù)庫(kù)，結(jié)合LLM大語言模型可以讓Chatbot（聊天機(jī)器人）的回答更具專業(yè)性和時(shí)效性，構(gòu)建企業(yè)專屬Chatbot。下面視頻是一個(gè) 基于大語言模型+AnalyticDB for PostgreSQL（以下簡(jiǎn)稱ADB-PG，內(nèi)置向量數(shù)據(jù)庫(kù)能力） 讓Chatbot更好地回答時(shí)事問題Demo：

視頻加載中...

AnalyticDB PostgreSQL支持向量數(shù)據(jù)檢索能力，可以支持企業(yè)用戶一站式搭建Chatbot專屬知識(shí)庫(kù)。目前開放1個(gè)月【免費(fèi)試用】規(guī)格，點(diǎn)擊領(lǐng)取： ，即刻開啟體驗(yàn)！

本文接下來將重點(diǎn)介紹基于大語言模型（LLM）+向量數(shù)據(jù)庫(kù)打造企業(yè)專屬Chatbot的原理和流程，以及ADB-PG構(gòu)建該場(chǎng)景的核心能力。

什么是向量數(shù)據(jù)庫(kù)？

在現(xiàn)實(shí)世界中，絕大多數(shù)的數(shù)據(jù)都是以非結(jié)構(gòu)化數(shù)據(jù)的形式存在的，如圖片，音頻，視頻，文本等。這些非結(jié)構(gòu)化的數(shù)據(jù)隨著智慧城市，短視頻，商品個(gè)性化推薦，視覺商品搜索等應(yīng)用的出現(xiàn)而爆發(fā)式增長(zhǎng)。為了能夠處理這些非結(jié)構(gòu)化的數(shù)據(jù)，我們通常會(huì)使用人工智能技術(shù)提取這些非結(jié)構(gòu)化數(shù)據(jù)的特征，并將其轉(zhuǎn)化為特征向量，再對(duì)這些特征向量進(jìn)行分析和檢索以實(shí)現(xiàn)對(duì)非結(jié)構(gòu)化數(shù)據(jù)的處理。因此，我們把這種能存儲(chǔ)，分析和檢索特征向量的數(shù)據(jù)庫(kù)稱之為向量數(shù)據(jù)庫(kù)。

向量數(shù)據(jù)庫(kù)對(duì)于特征向量的快速檢索，一般會(huì)采用構(gòu)建向量索引的技術(shù)手段，我們通常說的向量索引都屬于ANNS（Approximate Nearest Neighbors Search，近似最近鄰搜索），它的核心思想是不再局限于只返回最精確的結(jié)果項(xiàng)，而是僅搜索可能是近鄰的數(shù)據(jù)項(xiàng)，也就是通過犧牲可接受范圍內(nèi)的一點(diǎn)精確度來換取檢索效率的提高。這也是向量數(shù)據(jù)庫(kù)與傳統(tǒng)數(shù)據(jù)庫(kù)最大的差別。

為了將ANNS向量索引更加方便的應(yīng)用到實(shí)際的生產(chǎn)環(huán)境中，目前業(yè)界主要有兩種實(shí)踐方式。一種是單獨(dú)將ANNS向量索引服務(wù)化，以提供向量索引創(chuàng)建和檢索的能力，從而形成一種專有的向量數(shù)據(jù)庫(kù)；另一種是將ANNS向量索引融合到傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)庫(kù)中，形成一種具有向量檢索功能的DBMS。

在實(shí)際的業(yè)務(wù)場(chǎng)景中，專有的向量數(shù)據(jù)庫(kù)往往都需要和其他傳統(tǒng)數(shù)據(jù)庫(kù)配合起來一起使用，這樣會(huì)造成一些比較常見的問題，如數(shù)據(jù)冗余、數(shù)據(jù)遷移過多、數(shù)據(jù)一致性問題等，與真正的DBMS相比，專有的向量數(shù)據(jù)庫(kù)需要額外的專業(yè)人員維護(hù)、額外的成本，以及非常有限的查詢語言能力、可編程性、可擴(kuò)展性和工具集成。而融合了向量檢索功能的DBMS則不同，它首先是一個(gè)非常完備的現(xiàn)代數(shù)據(jù)庫(kù)平臺(tái)，能滿足應(yīng)用程序開發(fā)人員的數(shù)據(jù)庫(kù)功能需求；然后它集成的向量檢索能力一樣也可以實(shí)現(xiàn)專有的向量數(shù)據(jù)庫(kù)的功能，并且使向量存儲(chǔ)和檢索繼承了DBMS的優(yōu)秀能力，如易用性（直接使用SQL的方式處理向量）、事務(wù)、高可用性、高可擴(kuò)展性等等。

本文介紹的ADB-PG即是具有向量檢索功能的DBMS，在包含向量檢索功能的同時(shí)，還具備一站式的數(shù)據(jù)庫(kù)能力。在介紹ADB-PG的具體能力之前，我們先來看一下Demo視頻中Chatbot的創(chuàng)建流程和相關(guān)原理。

LLM大語言模型+ADB-PG：打造企業(yè)專屬Chatbot

案例-本地知識(shí)問答系統(tǒng)

對(duì)于前面Demo視頻結(jié)合大語言模型LLM和ADB-PG進(jìn)行時(shí)事新聞點(diǎn)評(píng)解答的例子，讓LLM回答\"通義千問是什么\"。可以看到，如果我們讓LLM直接回答，得到的答案沒有意義，因?yàn)長(zhǎng)LM的訓(xùn)練數(shù)據(jù)集里并不包含相關(guān)的內(nèi)容。而當(dāng)我們使用向量數(shù)據(jù)庫(kù)作為本地知識(shí)存儲(chǔ)，讓LLM自動(dòng)提取相關(guān)的知識(shí)之后，其正確地回答了\"通義千問是什么\"。

同樣地，這種方式可以應(yīng)用于處理文檔，PDF，郵件，網(wǎng)絡(luò)資訊等等尚未被LLM訓(xùn)練數(shù)據(jù)集覆蓋到的內(nèi)容。比如：

1.結(jié)合最新的航班信息和最新的網(wǎng)紅打卡地點(diǎn)等旅游攻略資源，打造旅游助手。比如回答下周最適合去哪里旅游，如何最經(jīng)濟(jì)實(shí)惠的問題。

2.體育賽事點(diǎn)評(píng)，時(shí)事熱點(diǎn)新聞點(diǎn)評(píng)，總結(jié)。今天誰是NBA比賽的MVP。

3.教育行業(yè)，最新的教育熱點(diǎn)解讀，比如，告訴我什么是AIGC，什么是Stable Diffusion以及如何使用等等。

4.金融領(lǐng)域，快速分析各行業(yè)領(lǐng)域金融財(cái)報(bào)，打造金融咨詢助手。

5.專業(yè)領(lǐng)域的客服機(jī)器人...

實(shí)現(xiàn)原理

本地知識(shí)問答系統(tǒng)(Local QA System)主要是通過結(jié)合了大語言模型的推理能力和向量數(shù)據(jù)庫(kù)的存儲(chǔ)和檢索能力。來實(shí)現(xiàn)通過向量檢索到最相關(guān)的語義片段，然后讓大語言模型結(jié)合相關(guān)片段上下文來進(jìn)行正確的推理得到結(jié)論。在這個(gè)過程中主要有兩個(gè)流程：

a.后端數(shù)據(jù)處理和存儲(chǔ)流程

b.前端問答流程

同時(shí)其底層主要依賴兩個(gè)模塊：

1.基于大語言模型的推理模塊

2.基于向量數(shù)據(jù)庫(kù)的向量數(shù)據(jù)管理模塊

后端數(shù)據(jù)處理和存儲(chǔ)流程

上圖黑色的部分為后端的數(shù)據(jù)處理流程，主要是將我們的原始數(shù)據(jù)求解embedding，并和原始數(shù)據(jù)一起存入到向量數(shù)據(jù)庫(kù)ADB-PG中。這里你只需要關(guān)注上圖的藍(lán)色虛線框部分。黑色的處理模塊和ADB-PG向量數(shù)據(jù)庫(kù)。

Step1：先將原始文檔中的文本內(nèi)容全部提取出來。然后根據(jù)語義切塊，切成多個(gè)chunk，可以理解為可以完整表達(dá)一段意思的文本段落。在這個(gè)過程中還可以額外做一些元數(shù)據(jù)抽取，敏感信息檢測(cè)等行為。 Step2：將這些Chunk都丟給embedding模型，來求取這些chunk的embedding。 Step3：將embedding和原始chunk一起存入到向量數(shù)據(jù)庫(kù)中。

阿里云開發(fā)者社區(qū)，千萬開發(fā)者的選擇。百萬精品技術(shù)內(nèi)容、千節(jié)免費(fèi)系統(tǒng)課程、豐富的體驗(yàn)場(chǎng)景、活躍的社群活動(dòng)、行業(yè)專家分享交流，盡在：

關(guān)鍵詞：