对接开源大模型应用开发平台最佳实践

本文以 Dify 为例介绍如何使用 OpenSearch LLM 智能问答版对接大模型应用开发平台构建 RAG 系统。

背景

随着 AIGC 技术日新月异的发展，LLM 应用也在持续迭代。基于 LLM、Agent 框架、工作流编排能力等，可以搭建不同场景下丰富的应用服务。其中，检索增强生成（RAG）系统已经成为企业知识库、智能客服、电商导购等场景的核心环节。

OpenSearch LLM 智能问答版内置数据解析与处理、切片、向量化、文本 &向量检索、多模态 LLM 等模型和功能。本文将介绍如何使用 OpenSearch LLM 智能问答版对接大模型应用开发平台构建 RAG 系统。

大模型应用平台

在大模型行业中有越来越多的应用框架、开发平台，比如阿里云百炼、Dify 等。开发者可以基于这些框架、平台快速搭建业务应用，RAG 系统也是其中的常见环节。因此，大模型应用开发平台通常会内置 RAG 系统。

阿里云百炼：

Dify：

然而，RAG 系统的准确性与搜索效果息息相关，应用开发平台经常会面临以下问题：

1、易用性差：对知识库文档格式、数量、大小等有各种各样的限制，开发者需要进行复杂的数据预处理，或无法满足实际应用的需求。

2、专业性差：大多是黑盒系统，开发者难以针对核心链路进行定制化调优和扩展，导致整体应用效果差。

3、企业级能力弱：不支持企业级权限隔离、数据快速导入/更新等能力，难以落地到实际生产应用中。

针对上述问题，可以使用 OpenSearch LLM 智能问答版作为 RAG 系统，应用到工作流程中，快速搭建企业级应用。目前 OpenSearch 已支持对接百炼中的模型，从而丰富 LLM 选型，实现定制级 RAG 效果，具体使用方式可参考：​​LLM管理​​。

此外，OpenSearch 支持丰富的调用、鉴权机制，灵活对接百炼、Dify 等应用开发平台。

下面将以 Dify 为例，介绍对接开源应用平台的最佳实践。

整体架构

开发者预先将知识库导入 OpenSearch，并用工作流处理后的对话请求访问 OpenSearch 中的 RAG 系统。OpenSearch 会基于知识库、LLM，返回对话结果、参考链接、参考图片。开发者再根据业务需求，通过工作流处理结果，并最终输出给终端用户。

在 OpenSearch LLM 智能问答版中搭建 RAG 系统

1.搭建 RAG 系统

OpenSearch LLM 智能问答版是一站式 RAG 产品，可分钟级搭建 RAG 系统，并可以在控制台进行可视化模型选择、Prompt 定制、效果调优等。详情请参见​​通过控制台实现企业知识库问答​​。

2.创建并获取 API Key

创建并获取公网 API 域名、API Key 并妥善保存，详情请参见​​管理API Key​​。

在应用平台中搭建业务应用

Step 1：在大模型应用平台中创建工作流

基础 RAG 工作流包含四个环节：

开始：获取用户输入的对话内容。

OpenSearch LLM 智能问答版（HTTP 请求）：将对话内容输入 OpenSearch，并基于 RAG 系统返回输出结果。

解析输出结果（代码执行）：解析结果中的对话内容。

返回答案：向用户返回最终结果。

Step 2：使用 HTTP 请求访问 OpenSearch RAG 系统

鉴权 API-Key：

• 鉴权类型：API-Key

• API 鉴权类型：Bearer

• API key：OpenSearch LLM 智能问答版中获取的 API Key。

URL 地址：OpenSearch LLM 智能问答版中获取的公网 API 域名 + OpenSearch 接口地址（参考 URL：v3/openapi/apps/[app_name]/actions/knowledge-search）

BODY：选择 JSON 格式，具体的内容和参数可参考：​​SearchKnowledge-问答文档查询​​。

Step 3：解析输出结果

OpenSearch 的接口返回结果为 JSON 格式，包含对话结果、参考链接、参考图片等。开发者可以使用代码执行解析输出结果，按需获取返回结果。

只获取输出结果的参考代码：

def main(body: str) -> str:    import json    dat = json.loads(body)    return {        'result': [ans['answer'] for ans in dat['result']['data']][0]    }

效果预览

在此基础上，可以配合搭建其他工作流，构建丰富的业务应用流。

例如，以下是一个基于 OpenSearch、Qwen 模型构建的智能对话助手。

首先，会判断用户对话的意图并进行分类，分为售后问题、产品使用问题和闲聊。

针对售后问题、产品使用问题，分别访问 OpenSearch 中的相应知识库，使用 RAG 系统进行回复。

对于闲聊类问题，访问 Qwen 模型与用户进行闲聊对话，解决通用类问题。

除使用一站式 RAG 产品搭建工作流外，还可使用阿里云 AI 搜索开发工作台，通过工作台提供的文档解析、向量化、搜索、重排等原子化能力，自定义 dify 工具，从而快速定制优化 RAG 系统的各个环节。

• 了解 OpenSearch LLM 智能问答版详情，可参考：​​https://www.aliyun.com/activity/bigdata/opensearch/llmsearch​​

• 如有 RAG 系统相关问题，欢迎加入​​OpenSearch LLM智能问答版钉钉支持群​​，了解更多技术细节和使用详情。

• 钉钉群号：34895000837