使用LangChain、Amazon Bedrock和OpenSearch构建高效的RAG应用

引言

随着大语言模型(LLM)技术的迅速发展,如何有效地利用这些模型来解决实际问题成为了一个热门话题。检索增强生成(Retrieval Augmented Generation, RAG)作为一种结合外部知识库的方法,能够显著提升LLM的表现。本文将介绍如何使用Amazon Web Services (AWS)的一系列服务,结合开源框架LangChain,构建一个高效的RAG应用。

RAG应用架构概览

我们的RAG应用主要由以下几个核心组件构成:

Amazon Bedrock: 作为管理的基础模型服务,提供API访问各种基础模型。
Amazon OpenSearch Service: 作为向量数据库,存储文档嵌入。
LangChain: 作为LLM应用框架,协调各个组件的交互。
Amazon Elastic Container Service (ECS): 用于运行RAG应用。
Streamlit: 提供RAG应用的前端用户界面。
Application Load Balancer: 路由HTTPS流量到ECS服务。
Amazon Cognito: 提供安全的用户认证。

RAG应用架构图

核心技术详解

Amazon Bedrock和Titan嵌入模型

Amazon Bedrock是AWS提供的一项托管服务,让开发者能够通过API轻松访问各种基础模型。在本项目中,我们使用了Bedrock中的Titan Embeddings Generation 1 (G1)模型来生成文本嵌入。这些嵌入将被存储在OpenSearch中,用于后续的相似性搜索。

OpenSearch作为向量数据库

OpenSearch是一个开源的搜索和分析引擎,在本项目中被用作向量数据库。与Amazon Kendra等专有服务相比,OpenSearch提供了更大的灵活性和定制化空间。我们利用OpenSearch的向量引擎支持来存储和检索文本嵌入,从而实现高效的相似性搜索。

LangChain框架的应用

LangChain是一个强大的LLM应用开发框架,在本项目中发挥了关键作用。它不仅用于协调Bedrock和OpenSearch之间的交互,还被用来更新OpenSearch索引。LangChain的S3FileLoader组件使得从S3桶中提取文档内容变得简单高效。

实现步骤

环境准备
- 安装Python 3.11.4
- 设置虚拟环境
- 安装必要的依赖包
- 安装Terraform用于创建OpenSearch集群
部署基础设施
- 使用Terraform部署OpenSearch集群
- 设置S3桶用于存储知识库文档
- 配置Lambda函数处理PDF文件并提取文本
数据处理和索引更新
- 从Hugging Face下载示例数据集
- 使用Titan嵌入模型生成文本嵌入
- 将嵌入存储到OpenSearch中
RAG应用部署
- 部署ECS Fargate服务运行RAG应用
- 配置Application Load Balancer
- 设置Cognito用户池进行身份验证
使用RAG应用
- 通过Web界面提问
- 系统从OpenSearch检索相关嵌入
- 使用检索到的信息增强提示,生成更准确的回答

示例用法

以下是使用不同基础模型的示例命令:

# 使用Claude v2模型
python ./ask-bedrock-with-rag.py --ask "How will AI change our everyday life?"

# 使用Claude v1.3模型
python ./ask-bedrock-with-rag.py --bedrock-model-id anthropic.claude-v1 --ask "How will AI change our everyday life?"

# 使用Jurassic-2 Ultra模型
python ./ask-bedrock-with-rag.py --bedrock-model-id ai21.j2-ultra-v1 --ask "How will AI change our everyday life?"