AI之旅-语义搜索：初识 vector embedding 与部署向量数据库 qdrant

weimin

AI之旅实现的第一个功能是基于大模型的 vector embedding 进行语义搜索（semantic search）。

（图片来源：kdnuggets.com）
基于大模型实现的聊天机器人虽然能打字和你聊天，但大模型大字不识一个，它只识数（向量）与只会计算，它不会玩文字游戏，只会玩数字游戏。
任何一段文字，在大模型的眼里只是一个向量，这个向量是包含n个元素的浮点型数组（n对应大模型的n维空间），数组中的一组浮点数字表示的是大模型n维空间中的坐标，大模型n维空间可以理解为大模型在自己的「大脑」中对文字的语义进行建模的空间，大模型将对一段文字的理解映射到n维空间中的一个点。不管多么长多么复杂的一段文字，都可以用一个点表示，这就是多维空间的神奇力量。这个向量，这个数组，这个坐标，这个点，就是大名鼎鼎的 vector embedding，大模型通过 vector embedding 将文字的语义嵌入到自己的n维空间，然后通过对向量的计算操作玩转数字，从而玩转文字。如果你想更多了解 vector embedding，推荐阅读 Embeddings: What they are and why they matter  。


（图片来源：simonwillison.net）
由于有了 vector embedding，只要计算向量之间的距离，大模型就可以知道两段文字在语义上是否相似，语义搜索就是基于这个原理。

（图片来源：causewriter.ai）

（图片来源：datastax.com）
我们要实现园子博文的语义搜索，只要使用一种大模型生成博文内容的 vector embedding 存入向量数据库（类似于传统搜索的建索引），然后搜索时将搜索文字通过大模型生成 vector embedding，通过 vector embedding 在向量数据库中查找语义相近的博文内容即可。
第一步准备工作是选择一种向量数据库并完成部署，我们选择的是开源向量数据库 qdrant，由于我们的应用都部署在 k8s 集群上，所以我们选择在 k8s 集群上部署 qdrant，qdrant 提供了 helm chart，k8s 上的部署更便捷了。
先添加 qdrant 的 helm 仓库
helm repo add qdrant https://qdrant.github.io/qdrant-helmhelm repo update然后编写 qdrant-values.yaml 清单文件
config:  service:    enable_tls: falsepersistence:  storageClassName: nas-db  size: 50GsnapshotPersistence:  storageClassName: nas-db  size: 50Gresources:   limits:    cpu: 2    memory: 4Gi  requests:     cpu: 1     memory: 1Gi需要注意的是，这是数据库，需要将数据文件保存在 nas 存储上，上面的 storageClassName 用于指定所使用的 nas 存储，nas-db 是我们的 k8s 集群之前已经部署好的使用阿里云 nas 的 StorageClass。
通过下面的命令进行部署
helm upgrade -i qdrant qdrant/qdrant -f qdrant-values.yaml然后查看部署是否成功
pod/qdrant-0               1/1          Runningservice/qdrant             ClusterIP    10.99.106.66    6333/TCP,6334/TCP,6335/TCP service/qdrant-headless    ClusterIP    None            6333/TCP,6334/TCP,6335/TCPstatefulset.apps/qdrant    1/1          45hpod 处于 Running 状态，说明部署成功了。
第一步准备工作完成了，接下来就是调用大模型（我们选用的是通义千问）把园子的博文内容生成 vector embedding 存入 qdrant 向量数据库，然后就可以实现语义搜索，这将是AI之旅下一篇博文的主要内容。
参考资料：

• Embeddings: What they are and why they matter
  
• What is vector embedding?
  
• What are Vector Embeddings? Understanding the Foundation of Data Representation
  
• LLM Basics: Embedding Spaces - Transformer Token Vectors Are Not Points in Space
  
• From Words to Vectors: Inside the LLM Transformer Architecture