在 ChatGPT 火爆全网之后，各行各业都在围绕它来进行构建自己场景的应用。这里以本地知识库为场景来聊聊怎么结合 Ray Core、Ray Serve、KubeRay、LangChain、Embeddings、向量数据库、LLM、Kubernetes 和 GPU 方案来构建属于自己的本地的知识库。对整体方案和 Ray 相关感兴趣的可以阅读前面发布的一些文章，《AIGC 利器-Ray 云原生探索之路--总览篇》，《AIGC 利器 Ray 云原生探索之路--Ray Core 篇 (上)》，《AIGC 利器 Ray 云原生探索之路--Ray Core 篇 (下)》。
01 基本概念
Embeddings：在自然语言处理中，Embeddings 通常指的是将单词或短语映射到连续向量空间中的向量表示。
向量索引：向量索引（Vector Indexing）是一种用于快速检索相似向量的技术。它是基于向量空间模型（Vector Space Model）的思想，通过构建索引结构来加速相似向量的查询。在向量索引中，每个向量都被映射到一个高效的数据结构中，使得可以根据向量之间的相似度进行快速检索。如 FAISS，LlamaIndex 等。
(相关资料图)
向量数据库：支持向量数据的存储和查询的数据库就可以理解成是向量数据库，目前也有很多基于原有的数据库实现了向量插件的数据库，比如 Postgresql，ElasticSearch 等等。
LLM：Large Language Model 大语言模型。LLM 是一种基于深度学习的人工智能模型，具备强大的自然语言处理能力。它通过大规模的预训练过程，学习了广泛的语言知识和语言模式，并可以根据输入的文本生成连贯、合理的回复。
Prompt：在自然语言处理中，Prompt 是指用户给出的一段文字或指令，用于引导或提示语言模型生成特定的回复或完成特定的任务。Prompt 可以是一个问题、一个描述性的语句、一句指令，甚至是一个完整的上下文对话。它作为输入提供给语言模型，以指导模型生成相关的回答或执行相应的任务。Prompt 的设计因为直接影响语言模型的输出，所以非常重要。一个设计合理的 Prompt 可以引导模型生成更准确、更有针对性的回答。通过在 Prompt 中提供所需的背景信息、明确的要求或限制条件，可以控制模型的回答风格、内容的方向性，或者针对特定任务的执行。
LangChain：提高了一个基于 LLM 构建应用的框架。支持 6 个主要的场景支持，包括 LLM/Prompt（和大语言模型对接，提高大语言模型生成内容的质量），Chains（提供链式的方式运行各种任务），Data Augmented Generation（数据增强的生成能力），Agents（通过大语言模型结合外部工具，完成定制化能力的任务），Memory（提供大语言模型聊天的历史上下文能力），Evaluation（生成式模型很难用传统指标来评估。评估它们的一种新方法是使用语言模型本身。LangChain 提供了一些 prompts/chains 来帮助实现这一点）。
Ray Core：是 Ray 框架的底层框架，提供了一整套的分布式计算的框架，可以将普通的应用转化成分布式的系统。这里主要以 Python 语言的程序为主，具体可以参看前面的文章。
Ray Serve：是一个可扩展的模型服务库，用于构建在线推理 API。Serve 是框架无关的，所以可以使用一个工具包来服务所有的东西，从使用 PyTorch、Tensorflow 和 Keras 等框架构建的深度学习模型，到 Scikit-Learn 模型，再到任意的 Python 业务逻辑。Serve 特别适合于模型组合，使您能够构建由多个 ML 模型和业务逻辑组成的复杂推理服务(全部使用 Python 代码)。Ray Serve 是建立在 RayCore 之上的，所以它很容易扩展到许多机器上，并提供灵活的调度支持。
Fine-Tune：基于数据对模型进行微调。这个过程也是涉及到对 LLM 的训练。目前，社区也有不少开放出来的模型都是基于这种方式的。至于是不要对模型进行调整，可以根据你的需求，如果你的任务和 LLM 本身是有不同的，是想基于 LLM 构建自己任务的大模型，那就需要微调模型。如果 LLM 本身和你的任务是一致的，比如只是为了让 LLM 知道更多知识，那也不一定要调整模型本身，用原来的基础模型就可以。
Search-Ask 方法：是一种用于问答系统的策略，结合了基于检索和基于生成的方法。它旨在充分利用检索和生成两种不同的技术，以提供更全面和准确的答案。在 Search-Ask 方法中，首先进行搜索（Search）阶段。用户的查询被发送到一个检索系统，该系统在预先建立的知识库或文档集合中执行搜索，并返回与查询相关的文档或候选答案。然后是询问（Ask）阶段。在此阶段，通过使用基于生成的方法，从检索到的文档或候选答案中提取或生成最终的答案。这可能涉及文本摘要、实体识别、关系抽取等技术来提取关键信息，或者使用生成模型（如语言模型）来生成具有上下文和语义连贯性的答案。通过结合搜索和生成两个阶段，Search-Ask 方法旨在通过检索提供初始的答案候选集，并通过生成进行下一步的筛选和精炼。这种方法的优势在于，检索阶段可以快速找到相关的文档或信息，而生成阶段可以通过理解上下文和语义生成更准确和丰富的答案。需要注意的是，具体实施 Search-Ask 方法的细节可以因应用场景和具体需求而有所不同。这种方法可以根据实际情况进行调整和定制，以达到最佳的问答效果。
02 本地向量处理
在 OpenAI 的 API 服务中提供了 embeddings 的 API，就是用于根据提供的文本输入，生成向量。但是这种是需要 OpenAI 的账号以及可以连接到 OpenAI 的 API 访问地址，而且还是收费的 API。所以，在内网或者国内的环境，如果有离线的方式也可以完成类似工作，那就是更好的选择。答案是肯定的。
在线的 API：
离线的方式：
以下 code sample 中使用了 HuggingFace 的 Embeddings 的模型 “text2vec-large-chinese” 来完成这个能力。其中 lHuggingFaceEmbeddings 有两个方法。一个是 embed_documents 方法，用于在构建 embeddings 的时候被使用。还有一个是 embed_query 方法，是在提问的整个环境中，以及在和 LLM 通信前，需要被使用到的方法，来完成对提问的文本的向量化处理。
使用 embeddings 对文档进行向量化处理：
基于 pgvector 完成向量处理和向量数据的保存：基于 elasticsearch 完成向量处理和向量数据的保存：03 串行向量化
串行指的是在处理的过程中没有并发多任务处理能力，有一个 worker 顺序执行的方式去处理整个过程，包括数据文件的读取、文本的拆分以及文本的向量处理，到写入向量数据库。如果在数据量很大的情况下，整个效果会很慢，不能充分地利用好整个集群的可用资源去处理相关的任务。
以上的 sample code 主要分为两个阶段：
第一个阶段：主要是读取数据文件，并进行文本的拆分。第二个阶段：使用拆分出来的文本，使用 Embeddings 模型进行向量化处理，这里使用的是 “text2vec-large-chinese” 模型，可以根据需要替换不同的 Embeddings 模型， 然后持久化到 pg 这个类型的向量数据库中。04 并行向量化
并行指的是在处理的过程中有并发多任务处理能力，有 n 个 worker 并行的方式去运行各种任务。如果在数据量很大的情况下，整个数据的向量化处理能力，会随着可用资源的增多，有很明显的提升。能充分的利用好整个集群的可用资源去处理相关的任务。
以上的 sample code 主要分为三个阶段：
第一个阶段：主要是读取数据文件，并进行文本的拆分，为后续的并行处理提供分组数据。这里将数据分成了 8 个分组，这里是根据 db_shards 设置的数值来决定的。第二个阶段：使用拆分出来的文本，将拆分出来的数据进行分组，每组数据进行并行的向量化的处理。这里关键方法是@ray.remote(num_gpus=1) def process_shard(shard)，这里使用到了 Ray Core 的 Task 的能力，Task 是可以充分利用好集群的资源，分布式的调度和运行。由于每一个负责分组处理的 Task 需要完成 Embeddings，而 Embeddings 是需要模型参与的，这里使用的是“text2vec-large-chinese”模型，可以根据需要替换不同的 Embeddings 模型， 这里是给每一个 Task 都分配一个 GPU 去独立的处理。这样的并行效率是很高的。虽然有一些模型是可以用 CPU 去运行的，但是效率还是非常低的。第三个阶段：最后，将每组向量化后的数据进行合并后，再写入向量数据库，这样完成了整个并行化向量处理的能力。05 串行知识问答
在问答的过程中，首先需要根据问题进行向量化的处理，然后根据处理后的向量数据去向量数据库中去检索，来找到和问题相似度很高的一些上下文信息，再结合 Prompt 来得到最终需要输入给 LLM 的内容。
06 并行知识问答
在基于基本的流程之外。这里使用了 Ray Serve 的在线并发推理能力，具体的并发能力还是和 GPU 的设备数量相关，可以根据实际情况设置对应的 Ray Serve 的副本数来提升并发推理的能力，这里就是 Ray Serve Deployment 的 num_replicas 配置，这里设置了 1，会使用一张 GPU 设备提供 Serve，可根据实际情况去调整副本的数量。这里使用的是“text2vec-large-chinese”模型作为 Embeddings；使用 “chatglm2-6b-int4” 模型作为 LLM 模型。
以上的 sample code 主要分为五个阶段：
第一个阶段：首先定义了 QADeployment 类，这个类中完成整体的代码的封装和逻辑。这里将这个类标记成 Ray 的 Serve，只要将类使用相关的标注 “@serve.deployment(ray_actor_options={"num_gpus": 1})”。这里使用到了 Ray Core 的 Actor，以及使用 GPU 的资源来提供推理服务。同时在处理请求的时候，使用了 Ray Core 的 async 能力，让其可以支持异步方式处理请求。第二个阶段：在__init__过程中，首先会从向量数据库中加载向量数据，这里使用了支持 pgvector 的 postgresql 数据库作为向量数据库；其次会设置用于对问题进行向量化处理的 embeddings 的模型，这里使用的是 “text2vec-large-chinese” 模型；然后指定 LLM，这里使用的是 “chatglm2-6b-int4” 模型；最后，使用 LangChain 定义 chain 对象，将 LLM，Prompt 等关联起来。至此，Serve 的初始化环节就结束了。第三个阶段：在接收提问的过程中，首先会使用问题进行向量化处理后，再使用向量的相似度查询去获取问题相关的上下文，使用问题以及问题相关的上下文结合 PromptTemplate 完成 LLM 的输入内容的封装，最后去传递给 LLM 去做最后的问题的回答，得到 LLM 的回答。第四个阶段：最后使用 deployment = QADeployment.bind()的方法定义 Ray Serve 应用，然后通过 serve run serve:deployment 的方式启动 serve 应用，对外提供推理服务。第五个阶段：server 应用在本地启动的默认的监听的 port 是 8000。接下来就可以去 call 这个地址去完成问答了。07 离线模型
在企业内部建议下载离线的模型，使用本地的方式加载模型，因为一般模型都很大，在运行的时候在线下载模型不是很稳定，耗时也很久。所以建议下载到本地。可以到https://huggingface.co/上去 search 到自己需要的模型，然后下载所有的相关文件到本地就可以。在构建 Dockerfile 的时候，将这些文件 COPY 到指定的容器的文件夹下，然后程序在加载 model 的时候，用包含模型文件的文件夹即可，包括 Embeddings 和 LLM 模型等。
下载 text2vec-large-chinese 模型：
下载 chatglm2-6b-int4 模型：
08 镜像准备
向量构建相关：
CPU 类型的镜像，用于启动 Ray Cluster 的 Head 节点。
GPU 类型的镜像，用于启动 Ray Cluster 的 Worker 节点。
问答系统相关：
CPU 类型的镜像，用于启动 Ray Cluster 的 Head 节点。
GPU 类型的镜像，用于启动 Ray Cluster 的 Worker 节点。
09 实践--向量构建
构建向量索引（1 张 GPU）：这里实用 kuberay 项目的 RayJob CRD 来完成向量的构建，它会负责创建一个 Ray Cluster，同时在 Ray Cluster 启动成功之后，将 configmap 中挂载的 Job 提交给 Ray Cluster，当 Job 中的所有任务运行结束之后，向量构建就算完成了。同时支持多个 GPU 并行文件的向量化处理， 这里 db_shards=1 ，这里是为了对比单卡和多卡的区别，使用了一张 GPU 设备，所以设置成了 1，这样运行下的并行的增效并不明显。可以根据本地的可用的 GPU 设备来调整并行的 tasks 数量，这样就可以完全并行起来了。head group 使用 CPU 类型的镜像，worker group 使用 GPU 类型的镜像。
查看 Ray Cluster 中的 Ray Job 的运行情况（使用 1 张 GPU 卡）：从运行的日志看的出，在一个 GPU 的情况下使用了 43s 左右的时间处理了所有的数据。
构建向量索引（2 张 GPU）：这里实用 kuberay 项目的 RayJob CRD 来完成向量的构建，它会负责创建一个 Ray Cluster，同时在 Ray Cluster 启动成功之后，将 configmap 中挂载的 Job 提交给 Ray Cluster，当 Job 中的所有任务运行结束之后，向量构建就算完成了。同时支持多个 GPU 并行进行文件的向量化处理， 这里 db_shards=2，是因为这里测试的是两张 GPU 卡的Serve 能力，所以设置成了 2，这样就可以完全并行起来了。
查看 Ray Cluster 中的 Ray Job 的运行情况（使用 2 张 GPU 卡）：分析运行时间：这里还是相同的数据，但是使用的时间为，一个 task 用了 15s，一个 task 用了 25s，因为这里的两张 GPU 卡型号不同，性能不同。
查看内容向量化处理之后，在向量数据库中的数据保存情况：
10 实践--问答服务
问答服务（一张 GPU 卡）。这里使用了 RayService CRD 来完成 serve 环节。其中 RayService 也是会启动一个 Ray Cluster 集群，同时根据设置的 runtimeEnv 的 working_dir 的 code 所在路径作为工作路径，基于 importPath 的设置启动 Ray Serve。启动成功之后，会对外提供一个 NodePort 类型的 Kubernetes 的 Service，通过这个 Service 可以访问部署出来的基于 Embeddings 和 LLM 的 serve 了。访问的方式就是基于 http 的方式请求就可以。head group 使用 CPU 类型的镜像，worker group 使用 GPU 类型的镜像。这里测试使用一张 GPU 卡的情况，所以 Serve 的副本数只有 1 个，在 cr 的 numReplicas 中设置为 1。
查看 Ray Cluster 的运行情况和资源使用情况：一个 head 节点，一个 GPU 的 worker 节点。
查看 Ray Cluster 中的 Ray Serve 的运行情况：这里启动了一个副本进行提供服务。
问答服务（两张 GPU 卡）。这里使用了 RayService CRD 来完成 serve 环节。其中 RayService 也是会启动一个 Ray Cluster 集群，同时根据设置的 runtimeEnv 的 working_dir 的 code 所在路径作为工作路径，基于 importPath 的设置启动 Ray Serve。启动成功之后，会对外提供一个 NodePort 类型的 Kubernetes 的 Service，通过这个 Service 可以访问部署出来的基于 Embeddings 和 LLM 的 serve 了。访问的方式就是基于 http 的方式请求。head group 使用 CPU 类型的镜像，worker group 使用 GPU 类型的镜像。这里测试使用两张 GPU 设备，并提供 Serve 的情况，所以 Serve 的副本数有 2 个，在 cr 的 numReplicas 中设置为 2。
查看 Ray Cluster 的运行情况和资源使用情况：一个 head 节点，两个 worker 节点，每个 worker 节点占用一个 GPU。
查看 Ray Cluster 中的 Ray Serve 的运行情况 : 这里启动了两个副本进行提供服务。
测试问答系统：以下脚本是打包在镜像中的，可以在容器里/home/ray/query 路径下使用 query.py 去测试，如果是外部测试的话，需要根据 RayService 派生出来的 serve 的 Kubernetes Service 对应的 NodePort 去修改 localhost:8000 这个地址就可以。
先找到 xxx-serve-svc 的 Kubernetes Service， 这里就是“qallmpg-serve-svc ” ，找到 8000 端口对应的 NodePort 端口，这里 31223 端口就是可以外部访问的模型服务的端口。因为 Ray Serve 默认启动的服务的监听的 Port 就是 8000。
vi query-external.py
提问：
1.一张 GPU 卡（性能较差的卡）
1.1 每次只问一个问题：
问题 1: karmada 包含哪些组件？
耗时：86.1 s。
问题 2: cilium service mesh 是什么？
耗时：85.9 s。
1.2. 每次同时问两个问题：
问题 1: karmada 包含哪些组件？
耗时：173.1 s。
问题 2: cilium service mesh 是什么？
耗时：147.7 s。
2. 两张 GPU 卡（一张性能较差的卡，一张性能较好的卡）
2.1. 每次只问同一个问题，但是请求被 LB 到不同的卡上的测试效果：
问题: karmada 包含哪些组件？
第一次 耗时：69.1 s。
第二次 耗时：14.5 s。
2.2. 每次同时问两个问题，每个问题被同时 LB 到不同卡上的效果：
问题 1: karmada 包含哪些组件？
耗时：85.2 s。
问题 2: cilium service mesh 是什么？
耗时：9.2 s。
11 总结
结合 Ray Core、Ray Serve、KubeRay、LangChain、Embeddings、向量数据库、LLM、Kubernetes 和 GPU 方案来构建知识库可以更大程度的充分利用资源，也可以更大程度的提升整体的灵活性和效率。
参考链接：
https://docs.ray.io/en/latest/
https://github.com/ray-project/kuberay
https://github.com/ray-project/langchain-ray
本文作者：熊中祥
现任「DaoCloud 道客」技术合伙人兼云原生技术专家