一、知识储备Embedding、LLM、向量数据库、RAG的区别Embedding 模型把文本转换成向量 一串数字像 text-embedding-v4、BGE-M3大语言模型 (LLM) 理解并生成文本、人类可读的文字像 GPT、Qwen、Claude向量数据库存储高维向量数据适合非结构化数据。向量存储把 Embedding 模型生成的向量存起来。创建向量索引为了在海量数据中找得快数据库会提前把向量建立成特殊的数学结构比如树形结构、图结构等。相似性搜索核心注意向量数据库才是相似性搜索Embedding模型只是把东西转成向量。RAG Embedding 检索 Text Splitter切分器 LLM生成注意Embedding不做切分切分由RAG的Text Splitter切分器做。二、Embedding计算将一段文本如 我想知道迪士尼的退票政策通过 AI 模型转换成一组数字向量这个向量可以用来衡量文本之间的语义相似度。因为要调用连接阿里云百炼服务的 SDK工具包所以要openai。pip install openaiimport os from openai import OpenAI client OpenAI( api_key你的API, # 你访问阿里云服务的钥匙 base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 # 阿里云服务的地址 ) completion client.embeddings.create( modeltext-embedding-v4, #model 选择阿里云提供的翻译员Embedding 模型 input我想知道迪士尼的退票政策, #input 你要转换成数字的那句话 dimensions1024, # 指定向量维度数字越多描述越精确 encoding_formatfloat ) print(completion.model_dump_json())输入我想知道迪士尼的退票政策↓这段代码调用阿里云服务↓输出[0.123, -0.456, 0.789, ...] (1024个小数)三、向量数据库FAISS的使用存储向量和向量的相似检索此代码实现了一个智能搜索功能把文档存入数据库用户提问后自动找到最相关的文档并返回。准备文档 → 转换成向量 → 存入数据库 → 用户提问 → 返回最相关的文档第一步准备钥匙第二步准备文档第三步把文档变成数字第四步把向量存入 FAISS 数据库第五步用户提问搜索最相关的文档import os import numpy as np import faiss from openai import OpenAI # Step1. 初始化 API 客户端 try: client OpenAI( api_key你的key, base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1 ) except Exception as e: print(初始化OpenAI客户端失败请检查环境变量DASHSCOPE_API_KEY是否已设置。) print(f错误信息: {e}) exit() # Step2. 准备示例文本和元数据 # 在实际应用中这些数据可能来自数据库、文件等 documents [ { id: doc1, text: 迪士尼乐园的门票一经售出原则上不予退换。但在特殊情况下如恶劣天气导致园区关闭可在官方指引下进行改期或退款。, metadata: {source: official_faq_v1.pdf, category: 退票政策, author: Admin} }, { id: doc2, text: 购买“奇妙年卡”的用户可以享受一年内多次入园的特权并且在餐饮和购物时有折扣。, metadata: {source: annual_pass_rules.docx, category: 会员权益, author: MarketingDept} }, { id: doc3, text: 对于在线购买的迪士尼门票如果需要退票必须在票面日期前48小时通过原购买渠道提交申请并可能收取手续费。, metadata: {source: online_policy.html, category: 退票政策, author: E-commerceTeam} }, { id: doc4, text: 园区内的“加勒比海盗”项目因年度维护将于下周暂停开放。, metadata: {source: maintenance_notice.txt, category: 园区公告, author: OpsDept} } ] # Step3. 创建元数据存储和向量列表 # 我们使用一个简单的列表来存储元数据。列表的索引将作为FAISS的ID。 # 这种方式简单直接适用于中小型数据集。 # 对于大型数据集可以考虑使用字典或数据库如Redis, SQLite metadata_store [] #保存原始文档内容和标签 vectors_list [] #保存 Embedding 模型生成的向量 vector_ids [] #建立向量和元数据之间的关联 print(正在为文档生成向量...) for i, doc in enumerate(documents): try: # 调用API生成向量 completion client.embeddings.create( modeltext-embedding-v4, inputdoc[text], dimensions1024, encoding_formatfloat ) # 获取向量 vector completion.data[0].embedding vectors_list.append(vector) # 存储元数据并使用列表索引作为唯一ID metadata_store.append(doc) vector_ids.append(i) # 自定义ID与列表索引一致 print(f - 已处理文档 {i1}/{len(documents)}) except Exception as e: print(f处理文档 {doc[id]} 时出错: {e}) continue # 将向量列表转换为NumPy数组FAISS需要这种格式 vectors_np np.array(vectors_list).astype(float32) vector_ids_np np.array(vector_ids) # Step4. 构建并填充 FAISS 索引 dimension 1024 # 向量维度 k 2 # 查找最近的3个邻居 # 创建一个基础的L2距离索引 index_flat_l2 faiss.IndexFlatL2(dimension) # 使用IndexIDMap来包装基础索引能够映射我们自定义的ID # 这就是关联向量和元数据的关键 index faiss.IndexIDMap(index_flat_l2) # 将向量和它们对应的ID添加到索引中 index.add_with_ids(vectors_np, vector_ids_np) print(f\nFAISS 索引已成功创建共包含 {index.ntotal} 个向量。) # Step5. 执行搜索并检索元数据 query_text 我想了解一下迪士尼门票的退款流程 print(f\n正在为查询文本生成向量: {query_text}) try: # 为查询文本生成向量 query_completion client.embeddings.create( modeltext-embedding-v4, inputquery_text, dimensions1024, encoding_formatfloat ) query_vector np.array([query_completion.data[0].embedding]).astype(float32) # 在FAISS索引中执行搜索 # search方法返回两个NumPy数组 # D: 距离 (distances) # I: 索引/ID (indices/IDs) distances, retrieved_ids index.search(query_vector, k) # Step6. 展示结果 print(\n--- 搜索结果 ---) # retrieved_ids[0] 包含与查询最相似的k个向量的ID for i in range(k): doc_id retrieved_ids[0][i] # 检查ID是否有效 if doc_id -1: print(f\n排名 {i1}: 未找到更多结果。) continue # 使用ID从我们的元数据存储中检索信息 retrieved_doc metadata_store[doc_id] print(f\n--- 排名 {i1} (相似度得分/距离: {distances[0][i]:.4f}) ---) print(fID: {doc_id}) print(f原始文本: {retrieved_doc[text]}) print(f元数据: {retrieved_doc[metadata]}) except Exception as e: print(f执行搜索时发生错误: {e})