好沮丧，大语言模型 不懂我 怎么办，

怎么也搜不到想要的答案 ( ㄒ o ㄒ )

当当当当， Redis VSS 闪亮登场，不必微调模型，

也能轻松驾驭大语言，快速解答你的疑虑，满足你

的求知欲，你的 AI 好伙伴！

在这个简短的教程中，我们 将 使用 Relevance AI、Redis VSS、OpenAI GPT 和 Cohere Wikipedia 嵌入创建一条 LLM 链 ，这 使得 我们 能够 使用Redis向量搜索向百科提问，根据我们的问题 搜索 最 相似的 文章。对于嵌入 向量 ， 它们 是 表示各种 类型数据的数字列表， 在这里， 我们使用Cohere多语言模型 生成的嵌入向量 。

为了按照本教程进行操作 ，您需要一个支持JSON文档数据结构 ，且 内置实时搜索和查询功能的Redis数据库。您可以 选择 在Redis Enterprise Cloud上创建 ， 或者 在 Docker中 使用Redis Stack创建。

一、 设置Redis作为向量数据库

运行 Redis 之后 ，我们从HuggingFace上导入Cohere的多语言维基百科嵌入数据集 ， 这 只 需要几个简单的步骤 ， 您可以在这个jupyter笔记本中查看完整的代码。

步骤  1 . 安装redis和datasets的Python库。

pip install redis datasets

步骤  2 . 创建一个客户端连接。

步骤  3 . 下载样本数据集。

步骤  4 . 使用 JSON 将每个文档导入 Redis 。

步骤  5 . 创建一个向量搜索索引

此命令指定索引Wikipedia，该索引在JSON中存储数据，其中所有键都使用前缀wiki:进行索引。在模式中，我们 使用 $.field_name引用JSON中的每个字段， 并用名称及其数据类型为其添加一个友好的标签 。向量字段 “ emb ” 是向量类型，并使用HNSW作为索引类型，L2作为距离度量 方式 。

命令运行后，您 就 拥有 了 支持向量相似性搜索的Redis索引。

二、建立 LLM链

接下来，就可以 进入Relevance AI笔记本开始构建我们的 LLM 链了。

步骤  1 . 如有必要，请注册Relevance AI的免费帐户。登录后，选择“构建AI链”并点击“创建新链” ， 您将进入 到一个笔记 本界面。

                              Relevance AI链笔记本

步骤  2 . 在执行 LLM 链之前，您需要配置 您的 OpenAI API密钥和Redis 链接 字符串。请从侧边栏选择 “API keys”，然后提供您的Redis 链接 字符串和OpenAI API密钥。

步骤  3 . 选择“ 从 Prompt开始 ” ， 为 “向量搜索(Redis)”添加新的转换。使用以下详细信息填写表格：

·  索引名称：您在Redis中创建的索引，即wikipedia。

·  向量字段：存储嵌入的字段 ， 对于维基百科数据集，这 里填 emb。

·  模型 Model : cohere-multilingual-22-12 ， 生成搜索查询的向量嵌入 。

·  搜索查询 : 我们 快速 为 LLM 链定义一个输入。按{}并输入{{params.question}}将其更改为变量模式。

                           Redis 向 量搜索步骤及其输入的示例。

步骤 4 . 配置LLM   Prompt 以 使用 向量搜索 向 Prompt 中注入上下文并提问。您可以根据自己的需要自定义 Prompt 。

LLM 步骤的示例，该步骤从 Redis 搜索和查询中获取上下文并提出问题。

   这是 为了 帮助人们查询大量的信息。比如 ，你 最喜欢 周杰伦的《夜曲》 ，你想知道： “ 这首歌的吉他前奏是谁弹奏的？ ”有了LLM链， 你就 可以 把这个问题扔给结合了 AI的维基百科 进行 搜索，它会迅速 给出答案 。

这不仅仅是 实践新技术 ， 更 是 快速地加深你 的理解 并 满足 你 的好奇心。我们的 LLM 链 就像 位 知识渊博的朋友 ，热情地与你清茶淡话 ， 它 随时准备 同你 对话， 这 为 知识搜索增添了一丝人情味 。

三、部署链

 Relevance AI提供了两种部署链的方法：作为可嵌入的应用程序或作为API端点。应用程序也可以通过链接直接与用户共享，用户可以看到表格，填写并运行 LLM 链 ， 这些现在已经 可以用于 生产中 了 。

带有 可用于生产的  API 端点或可共享 URL 表单的 LLM 链的部署页面