RAG实操教程langchain+Milvus向量数据库创建你的本地知识库 二

Miluvs 向量数据库

关于 Milvui 可以参考我的前两篇文章

• • 一篇文章带你学会向量数据库Milvus（一）[1]
• • 一篇文章带你学会向量数据库Milvus（二）[2]

下面我们安装 pymilvus 库

pip install --upgrade --quiet  pymilvus

如果你使用的不是 Miluvs 数据库，那也没关系，langchain 已经给我们分装了几十种向量数据库，你选择你需要的数据库即可。本文中我们是系列教程中一篇，所以我们使用 Miluvs 向量库。

Embedding model

这里需要明确的两个功能是：

• • embedding Model所做中工作就是将 image、Document、Audio等信息向量化.
• • vectorBD 负责保存多维向量

我这里使用 AzureOpenAIEmbeddings 是个收费的模型。有开源的 embedding Model可以部署在本地使用，如果你的机器性能足够好。如果要本地部署可以参考 docker 部署 llama2 模型 。

这里我使用 AzureOpenAIEmbeddings， 相关配置我放到了 .env 文件中,并使用 dotenv 加载。

这里各位可以依据自己的情况设定即可。

向量化+存储

上面已经说明了向量库以及embedding model的关系。我们直接使用 langchain提供的工具连完成 embedding 和store。