前言

上一节我们实现了知识库Agent的上半部分，这一节我们来实现知识库的召回功能。

核心代码：SuperBizAgent/internal/ai/cmd/recall_cmd/main.go

📷 [图片 token=NQ6zblccCoZOQOxomXkc6H2bnbg（未能下载，见飞书原文）]

实战

观察代码，首先创建retriever组件，然后调用它的Retrieve方法进行查询，最后打印召回的内容。

我们直接先运行代码，来看看执行后的效果。

func main() {
    ctx := context.Background()
    r, err := retriever2.NewMilvusRetriever(ctx)
    if err != nil {
       panic(err)
    }
    query := "服务下线是什么原因"
    docs, err := r.Retrieve(ctx, query)
    if err != nil {
       panic(err)
    }
    fmt.Println("Q：", query)
    for _, doc := range docs {
       fmt.Println("A：", doc.Content)
    }
}

代码路径：SuperBizAgent/internal/ai/cmd/recall_cmd/main.go

通过输出可以看到，确实召回了我们上一节上传的文件内容。下面我们就来看看核心组件Retrieve到底做了什么。

(base) ➜  recall_cmd git:(main) ✗ go run main.go
Q： 服务下线是什么原因
A： # 服务下线
告警解释：服务下线可能因为服务panic，导致pod重启造成的
解决方案：
1. 根据关键字"panic"进行最近1小时的日志搜索
2. 根据panic日志内容分析是什么bug导致的panic

召回-Retriever组件

我们之前是将文档存储到了Milvus向量数据库里面，所以召回的时候也是从这个数据库去查询。

首先我们对Milvus客户端进行一些配置，指定向量字段为vector，需要返回的字段有id、content、metadata。

func NewMilvusRetriever(ctx context.Context) (rtr retriever.Retriever, err error) {
    r, err := milvus.NewRetriever(ctx, &milvus.RetrieverConfig{
       Client:      client.NewMilvusClient(ctx),
       Collection:  common.MilvusCollectionName,
       VectorField: "vector",
       OutputFields: []string{
          "id",
          "content",
          "metadata",
       },
       TopK:      10,
       Embedding: embedder.DoubaoEmbedding(ctx),
    })
    if err != nil {
       return nil, err
    }
    return r, nil
}

在Eino框架里面，Retriever组件是用来实现召回的，所以我们来看看Retriever这个接口。可以看到返回值是一个Retriever接口，需要实现这个接口的Retrieve方法：

对输入的问题进行向量化，计算出向量
调用Milvus数据库sdk的相似度查询接口
构造返回结构体，返回

func (r *Retriever) Retrieve(ctx context.Context, query string, opts ...retriever.Option) (docs []*schema.Document, err error) {
    // 1. 首先对输入的问题进行向量化
    // embedding the query
    vectors, err := emb.EmbedStrings(r.makeEmbeddingCtx(ctx, emb), []string{query})
    // 2. 调用Milvus的相似度查询接口
    results, err = r.config.Client.Search(
       r.config.OutputFields,
       // 查询的向量
       vectors,
       // 向量字段
       r.config.VectorField,
       // 查询相似度前多少个
       *co.TopK,
    )
    // convert the search result to schema.Document
    documents := make([]*schema.Document, 0, len(results))
    for _, result := range results {
       // 3. 构造结构体
       document, err := r.config.DocumentConverter(ctx, result)
       documents = append(documents, document...)
    }
    // 4. 返回
    return documents, nil
}

type Retriever interface {
    Retrieve(ctx context.Context, query string, opts ...Option) ([]*schema.Document, error)
}

总结：对问题先进行向量化，然后根据向量，调用数据库的向量查询接口进行查询。

总结

至此，RAG的分片、索引、召回功能我们都实现完了。后续会介绍其他Agent是怎么使用知识库，怎么结合召回来与大模型进行交互的。

前言#

实战#

召回-Retriever组件#

总结#

前言

实战

召回-Retriever组件

总结