当前位置： 首页 > ai >正文

使用Milvus向量数据库构建具有长期记忆的对话机器人

ai 2025/5/11 4:21:27

一、申请Milvus试用版

快速创建Milvus实例_向量检索服务 Milvus 版(Milvus)-阿里云帮助中心

二、配置

pip3 install pymilvus tqdm dashscope

由于在下文使用的时候需要用到Milvus的公网地址，而公网地址需要我们手动开启，参考下面这篇文章开启公网地址，以及将自己的ip地址放到白名单中。

网络访问与安全设置_向量检索服务 Milvus 版(Milvus)-阿里云帮助中心

三、接入Milvus向量数据库

将CEC-corpus这个文件下载到项目中，然后配置访问milvus的参数，记得修改API Key和自己设置的密码。

import os
import dashscope
from dashscope import Generation
from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection
from dashscope import TextEmbeddingdef getEmbedding(news):model = TextEmbedding.call(model=TextEmbedding.Models.text_embedding_v1,input=news)embeddings = [record['embedding'] for record in model.output['embeddings']]return embeddings if isinstance(news, list) else embeddings[0]def getAnswer(query, context):prompt = f'''请基于```内的报道内容，回答我的问题。```{context}```我的问题是：{query}。'''rsp = Generation.call(model='qwen-turbo', prompt=prompt)return rsp.output.textdef search(text):# Search parameters for the indexsearch_params = {"metric_type": "L2"}results = collection.search(data=[getEmbedding(text)],  # Embeded search valueanns_field="embedding",  # Search across embeddingsparam=search_params,limit=1,  # Limit to five results per searchoutput_fields=['text']  # Include title field in result)ret = []for hit in results[0]:ret.append(hit.entity.get('text'))return retif __name__ == '__main__':current_path = os.path.abspath(os.path.dirname(__file__))   # 当前目录root_path = os.path.abspath(os.path.join(current_path, '..'))   # 上级目录data_path = './CEC-Corpus/raw corpus/allSourceText'# 配置Dashscope API KEYdashscope.api_key = 'your API KEY'# 配置Milvus参数COLLECTION_NAME = 'CEC_Corpus'DIMENSION = 1536MILVUS_HOST = 'c-2ed2541447ff3729.milvus.aliyuncs.com'MILVUS_PORT = '19530'USER = 'root'PASSWORD = 'your password'connections.connect(host=MILVUS_HOST, port=MILVUS_PORT, user=USER, password=PASSWORD)fields = [FieldSchema(name='id', dtype=DataType.INT64, descrition='Ids', is_primary=True, auto_id=False),FieldSchema(name='text', dtype=DataType.VARCHAR, description='Text', max_length=4096),FieldSchema(name='embedding', dtype=DataType.FLOAT_VECTOR, description='Embedding vectors', dim=DIMENSION)]schema = CollectionSchema(fields=fields, description='CEC Corpus Collection')collection = Collection(name=COLLECTION_NAME, schema=schema)# Load the collection into memory for searchingcollection.load()question = '北京中央电视台工地发生大火，发生在哪里？出动了多少辆消防车？人员伤亡情况如何？'context = search(question)answer = getAnswer(question, context)print(answer)

回答如下： 可以发现这个回答是基于刚刚的新闻数据集进行回答的

四、往数据库中插入信息

创建一个insert.py

import os
import requests
import dashscope
from dashscope import Generation
import json
from pymilvus import connections, utility, FieldSchema, CollectionSchema, DataType, Collectiondef main():# 配置参数OLLAMA_API_URL = "http://localhost:11434/api/embeddings"COLLECTION_NAME = "milvus_example"DIMENSION = 768  # Ollama nomic-embed-text 模型的维度# 配置Dashscope API KEYdashscope.api_key = 'your API KEY'# Milvus 连接配置MILVUS_HOST = 'c-2ed2541447ff3729.milvus.aliyuncs.com'MILVUS_PORT = '19530'USER = 'root'PASSWORD = 'your password'# 1. 连接到Milvusconnections.connect(host=MILVUS_HOST,port=MILVUS_PORT,user=USER,password=PASSWORD)# 2. 检查并获取集合if not utility.has_collection(COLLECTION_NAME):# 创建新集合（建议将id字段改为auto_id=True避免手动管理）fields = [FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=512),FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=DIMENSION)]schema = CollectionSchema(fields, description="Example collection")collection = Collection(name=COLLECTION_NAME, schema=schema)# 创建索引index_params = {"index_type": "AUTOINDEX","metric_type": "COSINE","params": {}}collection.create_index("vector", index_params)print("New collection created with index")else:# 获取现有集合collection = Collection(name=COLLECTION_NAME)print("Using existing collection")# 修复点：检查集合加载状态的新方法try:# 新版本加载方式（无需检查状态，重复加载安全）collection.load()print("Collection loaded into memory")except Exception as e:print(f"Error loading collection: {e}")return# 6. 准备数据（建议使用auto_id=True避免手动管理ID）text_array = ["Hello, this is a test.","Milvus is great for vector search.","Ollama helps in text embedding."]# 获取向量并准备插入数据ids = []texts = []vectors = []for idx, text in enumerate(text_array):vector = get_text_embedding(OLLAMA_API_URL, text)if vector:# 更安全的ID生成方式（示例中使用当前实体数+idx，实际建议用auto_id）new_id = collection.num_entities + idxids.append(new_id)texts.append(text)vectors.append(vector)if ids:try:collection.insert([ids, texts, vectors])collection.flush()print(f"Successfully inserted {len(ids)} records")except Exception as e:print(f"Insert failed: {e}")else:print("No valid data to insert")# 8. 执行向量搜索query_text = "ollama有什么作用?"query_vector = get_text_embedding(OLLAMA_API_URL, query_text)if not query_vector:print("Failed to get query vector")returnsearch_params = {"metric_type": "COSINE","params": {}}results = collection.search(data=[query_vector],anns_field="vector",param=search_params,limit=1,output_fields=["text"])# 9. 处理搜索结果if results:for hits in results:for hit in hits:print(f"Matched text: {hit.entity.text}")print(f"Similarity score: {hit.score}")else:print("No results found")# 10. 清理资源connections.disconnect("milvus_example")def get_text_embedding(api_url, text):"""调用Ollama Embedding API获取文本向量"""try:headers = {"Content-Type": "application/json"}payload = {"model": "nomic-embed-text","prompt": text}response = requests.post(api_url, headers=headers, json=payload)if response.status_code == 200:result = response.json()return result.get("embedding")else:print(f"API request failed: {response.status_code} - {response.text}")return Noneexcept Exception as e:print(f"Error getting embedding: {e}")return Noneif __name__ == "__main__":main()

运行结果如下： 我们成功的插入了3条数据，并且返回了和ollama相关的回答。

五、构建具有长期记忆的对话机器人 

创建一个chatbot.py

import os
import dashscope
import requests
from dashscope import Generation, TextEmbedding
from pymilvus import connections, utility, FieldSchema, CollectionSchema, DataType, Collection# 配置参数
DASH_SCOPE_API_KEY = 'your API_KEY'
MILVUS_HOST = 'c-2ed2541447ff3729.milvus.aliyuncs.com'
MILVUS_PORT = '19530'
MILVUS_USER = 'root'
MILVUS_PASSWORD = 'your password'
OLLAMA_API_URL = "http://localhost:11434/api/embeddings"# 全局配置
dashscope.api_key = DASH_SCOPE_API_KEY
NEWS_EMBEDDING_DIM = 1536  # Dashscope文本嵌入维度
CHAT_EMBEDDING_DIM = 768  # Ollama nomic-embed-text的维度class ChatBot:def __init__(self):# 初始化Milvus连接connections.connect(host=MILVUS_HOST,port=MILVUS_PORT,user=MILVUS_USER,password=MILVUS_PASSWORD)# 初始化对话历史集合（强制更新schema）self.chat_collection = self.init_chat_collection()def init_chat_collection(self):"""初始化对话历史集合（保留现有数据）"""name = "chathistory8"desc = "对话历史记录（id, text, vector）"# 如果集合不存在则创建if not utility.has_collection(name):print(f"创建新对话集合：{name}")# 创建字段结构fields = [FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=False),FieldSchema(name="text", dtype=DataType.VARCHAR, max_length=1024),FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=CHAT_EMBEDDING_DIM)]schema = CollectionSchema(fields, description=desc)collection = Collection(name, schema)# 创建索引index_params = {"index_type": "AUTOINDEX","metric_type": "COSINE","params": {}}collection.create_index("vector", index_params)# 插入初始数据（仅在新创建时插入）initial_texts = ["Hello, this is a test.","Milvus is great for vector search.","Ollama helps in text embedding."]ids = list(range(len(initial_texts)))vectors = [self.get_chat_embedding(text) for text in initial_texts]# 过滤掉嵌入失败的条目valid_data = [(i, t, v) for i, t, v in zip(ids, initial_texts, vectors) if v is not None]if valid_data:try:# 解包有效数据ids, texts, vectors = zip(*valid_data)collection.insert([list(ids), list(texts), list(vectors)])collection.flush()print(f"插入初始数据 {len(valid_data)} 条")except Exception as e:print(f"初始数据插入失败：{str(e)}")collection.load()return collectionelse:# 直接加载现有集合collection = Collection(name)collection.load()print(f"使用现有对话集合：{name}（包含 {collection.num_entities} 条记录）")return collectiondef save_conversation(self, question):"""保存用户提问到对话历史"""vector = self.get_chat_embedding(question)if not vector:return# 生成新ID（当前实体数量）new_id = self.chat_collection.num_entitiestry:self.chat_collection.insert([[new_id],     # id字段[question],   # text字段[vector]      # vector字段])self.chat_collection.flush()print(f"保存成功，ID：{new_id}")except Exception as e:print(f"保存失败：{str(e)}")def get_chat_embedding(self, text):"""使用Ollama获取对话嵌入"""try:headers = {"Content-Type": "application/json"}payload = {"model": "nomic-embed-text","prompt": text}response = requests.post(OLLAMA_API_URL, headers=headers, json=payload)if response.status_code == 200:return response.json().get("embedding")print(f"Ollama API错误：{response.status_code} - {response.text}")except Exception as e:print(f"对话嵌入失败：{str(e)}")return Nonedef semantic_search(self, collection, query, limit=3):"""语义搜索（自动适配不同集合）"""vector = self.get_chat_embedding(query)anns_field = "vector"metric = "COSINE"if not vector:return []# 执行搜索results = collection.search(data=[vector],anns_field=anns_field,param={"metric_type": metric},limit=limit,output_fields=['text'])return [hit.entity.text for hit in results[0]]def generate_answer(self, query, chat_context):"""生成回答（增强提示词）"""prompt = f"""你是一个聊天机器人小A，请你基于以下与用户的聊天记录，用中文与用户进行对话：[相关历史对话]{chat_context}问题：{query}要求：1. 必要的时候结合聊天记录进行回答，其他时候正常回答2. 保持回答温柔且耐心请直接给出答案，不要包含来源标记。"""try:resp = Generation.call(model='qwen-turbo', prompt=prompt)return resp.output.textexcept Exception as e:return f"回答生成失败：{str(e)}"def chat_loop(self):"""修正后的对话主循环"""print("欢迎使用问答系统（输入exit退出）")while True:try:query = input("\n用户：").strip()if query.lower() in ['exit', 'quit']:breakchat_results = self.semantic_search(self.chat_collection, query, limit=20)# 构建上下文chat_context = "\n".join([f"- 历史提问：{text}" for text in chat_results])# 生成回答answer = self.generate_answer(query, chat_context)print(f"\n助手：{answer}")# 保存对话self.save_conversation(query)except Exception as e:print(f"系统错误：{str(e)}")if __name__ == "__main__":bot = ChatBot()bot.chat_loop()connections.disconnect()

效果如下：

http://www.xdnf.cn/news/4356.html

相关文章：

  • Flowchart 流程图的基本用法
  • 基于OpenTelemetry的分布式链路追踪Trace‌实现（PHP篇）
  • androidStudio里gradle过滤冲突资源文件
  • 【解决方案】CloudFront VPC Origins 实践流程深入解析 —— 安全高效架构的实战之道
  • Android 如何理解 Java JNI 中的引用与 Java 对象的区别
  • Kafka Controller的作用是什么？故障时如何恢复？ （管理分区和副本状态；通过ZooKeeper选举新Controller）
  • Linux系统Shell脚本之shell函数
  • Kafka的核心组件有哪些？简要说明其作用。 （Producer、Consumer、Broker、Topic、Partition、ZooKeeper）
  • java多线程------synchronized
  • CVE体系若消亡将如何影响网络安全防御格局
  • git合并分支后回滚，再次合并导致更改没有合并的问题
  • CentOS 7 基础环境安装脚本
  • Milvus（16）：索引解释
  • 【前端基础】6、CSS的文本属性（text相关）
  • 嵌入式通信协议总览篇：万物互联的基石
  • 记一次SSE数据被缓存导致实时性失效问题
  • 链表——C语言
  • 常见的卷积神经网络列举
  • 用go从零构建写一个RPC（仿gRPC，tRPC）--- 版本1（Client端）
  • Umi+React+Xrender+Hsf项目开发总结
  • 基于Django汽车数据分析大屏可视化系统项目
  • SSHv2 密钥交换（Key Exchange）详解
  • 体育培训的实验室管理痛点 质检LIMS如何重构体育检测价值链
  • TikTok 矩阵运营新手实操保姆级教程 2.0 版本
  • 从一次被抄袭经历谈起：iOS App 安全保护实战
  • 【AWS+Wordpress-准备阶段】AWS注册+创建EC2实例
  • Scrapy框架之Scrapyd部署及Gerapy分布式爬虫管理框架的使用
  • 记录学习《手动学习深度学习》这本书的笔记（十）
  • 协方差与皮尔逊相关系数：从定义到应用的全面解析
  • isNotBlank和isNotEmpty有什么区别？