如今，ChatGPT 已經成為家喻戶曉的名字，每個開發者都主動或被動地使用過 ChatGPT 或者是基于 ChatGPT 的產品。ChatGPT 很好，但是應用到實際工作與生活場景，ChatGPT 經常會出現一些幻覺，“一本正經”地為我們提供一些錯誤答案，沒有辦法為我們提供專業的意見或指導。那我們如何讓 ChatGPT 具備某個專業領域的知識，提升回答的正確率，從而讓 ChatGPT 真的用起來？比如訓練 ChatGPT 成為企業的智能客服助手，解放客服的雙手。

如何構建一個具有專業知識的機器人

為了解決這個問題，一般我們有兩種解決方法。第一種是利用自己的數據在大模型的基礎上進行 fine-tune（微調），訓練出一個具備相關領域的知識的大模型，另一種方法稱作 RAG (Retrieval-Augmented Generation)，檢索增強生成，利用向量數據庫的能力，將專業的知識數據轉換成多個向量，然后再利用大模型的能力進行檢索，最后回答問題。兩種方法各有自己的優勢和劣勢，總體來說，盡管 RAG 的準確度不如 fine-tune 高，但是 RAG 的性能比更適合普羅大眾，因為 RAG 更簡化，更高效。RAG 的優勢有以下幾點：

相較于微調大模型需要 GPU 算力等硬件設備支持，RAG 只需要在軟件層面添加向量數據庫，操作起來更加簡單，成本也更低。

當有數據更新時，RAG 允許開發者通過添加新的 embedding 以保證內容的時效性，但是微調大模型則需要反復重新訓練模型，耗費資源比較多

如何使用 Rust 創建一個基于 ChatGPT 的 RAG 助手

常見的構建 RAG 助手的工具是以 Python 為主的 langchain，但是如何使用 Rust 來構建呢？這就需要我們有一套圍繞 Rust 語言打造的 LLM 工具鏈。flows.network 就是這樣一個專門為 Rust 開發者打造的構建 LLM Agent 的平臺。和 langchain 一樣，flows.network 為 Rust 開發者包裝了常用的 LLM 工具庫，比如 ChatGPT 、Claude、Llama2 以及我們常用的 SaaS 工具 GitHub 、Discord、Telegram、Slack。但是更進一步的是，flows.network 是一個 serverless Rust 平臺，開發者只需構建業務邏輯，編譯以及部署 Rust 函數都由平臺完成。

具體到構建基于 ChatGPT 的 RAG 助手，flows.network 已經開源了一套開箱即用的框架供 Rust 開發者使用。最近新發布 Learn Rust 助手就是基于這套框架所實現的。

為了方便大家理解基于 ChatGPT 的 RAG 助手，我在這里補充了一張在 Learn Rust 助手詢問問題的流程圖。從用戶問一個問題開始，Agent 就要和向量數據庫和 LLM 打交道，為沒有記憶的大模型補充手腳、眼睛和記憶。

下面我們來詳細看看怎么使用 Rust 構建 RAG 助手。開源的代碼分為兩部分，一部分是利用向量數據庫創建 embedding，另一部分是把加好 embedding 的向量數據庫與我們常用的工具結合起來。這兩部分代碼都是完全用 Rust 編寫的。

這篇文章主要聚焦如何搭建 RAG 知識庫助手，不會對代碼進行詳細解釋。對源代碼感興趣的朋友，敬請期待我們下一篇文章。

首先先來看第一部分在向量數據庫中創建 embedding。

在創建 embedding 的這個 demo repo 我們需要做三件事：

fork 這個 repo，把文件 text1.txt 里的內容換成自己的內容。這里要注意 embedding 的方法，要把相似的內容放在一個 embedding 里，每個空行代表一個 embedding。你也可以直接在本地存儲自己的 embedding。

將 RAG-embedding repo 的代碼部署在 flows.network 上，得到一個可以訪問向量數據庫的 webhook。

在這個 webhook 中添加 embedding 的內容以及命名 collection。

第一步是主要是開發者自己的工作，你可以選擇手動分段，也可以選擇使用算法進行分段。

第二步需要用到 flows.network， 簡單來說，我們需要把包含源代碼的 repo 導入到 flows.network 平臺，并且添加 OpenAI 的 API key。因為把 text 轉換成 embedding 的工作是調用 OpenAI 的 embedding API 完成的。部署完成后，我們會在頁面看到一個 webhook 鏈接。這個 webhook 鏈接需要保存下來，因為接下來我們將通過這個 wbhook 添加 embedding 的內容。

//webhook示例
https://code.flows.network/webhook/I9GNgD5HKhFLY25DsOUI

第三步是用 curl 為這個向量數據庫添加 embedding 內容。打開終端命令行工具，輸入下面的命令行。

//獲取源代碼及準備好的txt文件
gitclonehttps://github.com/alabulei1/demo-RAG-embeddings.git
cddemo-RAG-embeddings

//上傳創建好的 embedding 文件。
//Webhook鏈接要替換成在flows.network生成的鏈接
//collection_name可以隨意替換，要記住這個名字，后面需要用到
//"@test1.txt"根據實際情況替換即可
curl"https://code.flows.network/webhook/I9GNgD5HKhFLY25DsOUI?collection_name=laokeshi&vector_size=1536&reset=1"-XPOST--data-binary"@test1.txt"

//添加成功后，終端會提示總共創建了多少個embedding
Successfullyinserted7records.Thecollectionnowhas7recordsintotal

看到終端輸出如上的命令行，就意味著我們的 embedding 已經創建好了。

下面的視頻展示了如何在 flows.network 上部署這個創建 embedding 的 repo，并且在得到webhook 鏈接后，如何把 embedding 添加到向量數據庫。

接下來就可以將這些 embedding 與其他 SaaS 工具自由組裝。這時候就用到我們的第二個 demo repo：使用這些 embedding 創建一個 discord 機器人（Agent），讓用戶能夠在 Discord 直接咨詢相關問題。

同樣，我們需要將 RAG-discord-bot demo repo 導入到 flows.network 進行部署。我們需要配置五個環境變量。discod_token 和 bot_id 是設置 Discord 機器人的。這兩個參數在 Discord 的開發者中心獲取。

還有一個 collection_name ，這里要填入我們在上一步創建 embedding 的是所設置的 collection_name 的值， 讓 Discord agent 知道去找哪個數據庫檢索相關內容。

另外兩個是 Agent 本身的信息。error-mesg 是發生錯誤時，給用戶的錯誤提示信息，system_promopt 是 agent 總的 Prompt，給 ChatGPT 規劃任務。

同樣，下面有一個視頻展示了如何在 flows.network 上導入 github repo，創建這個 Discord 機器人。

當 flow 的狀態變成 ready 后，就可以去 server 里找剛剛創建的 Discord 機器人，讓這個 Discord 機器人回答問題。注意，這時的 Discord 機器人應該是 online 的狀態，如果 Discord 機器人是 offline 的狀態，請檢查 Discord 機器人是否設置正確。

這就是使用 Rust 創建一個基于 ChatGPT 的 RAG 助手的全部過程。當然你也可以把 ChatGPT 換成其他的大模型，比如 Llama2。

使用 Rust 構建 LLM Agent 并沒有那么難！如果你正在發愁不知道怎么把 Rust 用起來，來試試構建這個 RAG Agent 吧。你可以構建企業手冊助手、開發手冊助手、開源項目助手等等。

下一篇文章，我們將詳細解讀這個 RAG 助手的 Rust 源代碼，幫助大家更好地理解這背后的原理。敬請期待！

審核編輯：湯梓紅