一、前言
本文基于京东内部向量数据库 vearch 进行实践。Vearch 是对大规模深度学习向量进行高性能相似搜索的弹性分布式系统。详见： https://github.com/vearch/zh_docs/blob/v3.3.X/docs/source/overview.rst
二、探索
初次认识向量数据库，一脸懵逼？
向量是什么？如何将文本转换为向量？如何确定维度？如何定义表结构？如何选择索引方式，建表参数如何配置？检索参数如何配置？分片数副本数如何选择等等
随着对文档的逐渐熟悉以及和 vearch 相关同事的沟通，以上问题迎刃而解，具体的不再赘述。主要记住以下几点：
1、 文本转向量：采用大模型网关接口 domain/embeddings 传入对应的模型如：text-embedding-ada-002-2 和待转换的文本即可；
2、 向量维度：这个和向量转换所采用的模型有关，细节不用关注；
3、 建表参数的选择以及表结构：主要在于 retrieval_type 检索模型的选择，具体的可以参考文档。经过综合考虑，决定采用 HNSW：
"retrieval_type": "HNSW","retrieval_param": { "metric_type": "InnerProduct", "nlinks": 32, "efConstruction": 40}
注意: 1、向量存储只支持MemoryOnly 2、创建索引不需要训练，index_size 值大于0均可
复制代码
具体的建表示例见后文。
4、 分片数和副本数结合实际数据量评估，如果无法评估，按照最少资源申请即可，后续可扩展。
三、实践
1、 建表（space）
为了简化操作，实行 db（库）-space（表）一对一的方案，弱化库的概念。经过一系列探索之后定义出了通用的 space 结构：
{ "name": "demphah", "partition_num": 3, "replica_num": 3, "engine": { "name": "gamma", "index_size": 1, "id_type": "String", "retrieval_type": "HNSW", "retrieval_param": { "metric_type": "InnerProduct", "nlinks": 32, "efConstruction": 100, "efSearch": 64 } }, "properties": { "vectorVal": { "type": "vector", "dimension": 1536 }, "contentVal": { "type": "string" }, "chunkFlagId": { "type": "string", "index": true }, "chunkIndexId": { "type": "integer", "index": true } }}
复制代码
字段说明：
engine、partition_num 等都是固定的参数，properties 中所列字段皆为通用字段，如果有扩展字段如：skuId，storeId 追加即可
这里 file 的概念可以理解为一个单元，可能是一个文件，也可能是一个 url，总之就是一个数据整体。
2、 分段写入
这里针对通用文件描述，比如提供一个 pdf 文件如何导入向量库：
a. 首先上传文件到 oss，然后根据对应的 fileKey 获取到文件数据流
b. 再根据各种拆分场景（按行、字节数、正则拆分等）分成片段
c. 分段写入向量库：
/** * 将字符串转换为向量并插入数据库 * <p> * 目前所有的知识库管理端写入全走这个方法 * * @param dbName 数据库名称 * @param spaceName 空间名称 * @param str 字符串 * @param flagId 标志ID * @param chunkIndexId 块索引ID * @param properties 属性 */ private void embeddingsAndInsert(String dbName, String spaceName, String str, String flagId, Integer chunkIndexId, Map<String, Object> properties) { // 先向数据库写入一条记录，记录当前文档的写入操作 int success = knbaseDocRecordService.writeDocRecord(spaceName, flagId, chunkIndexId.longValue(), 0, str); if (success <= 0) { log.error("writeDocRecord失败 {},{},{}", spaceName, flagId, chunkIndexId); }
// 分块转向量并写入 List<Float> embeddings = GatewayUtil.baseEmbeddings(str); if (CollectionUtils.isEmpty(embeddings)) { return; }
KnBaseVecDto knBaseVecDto = buildKnBaseVecDto(new FeaVector(embeddings),flagId,chunkIndexId,str);
Map<String, Object> newPros = JsonUtil.obj2Map(knBaseVecDto); if (MapUtils.isNotEmpty(properties)) { newPros.putAll(properties); } // {"_index":"kn_base_file_db","_type":"kn_base_file_space","_id":"-8182839813441244911","status":200} String insert = VearchUtil.insert(dbName, spaceName, null, newPros); if (StringUtils.isBlank(insert) || !insert.contains("_index")) { log.error("写入失败的块：{},{}", chunkIndexId, insert); } }
复制代码
3、 数据记录
上文写知识库的过程有个 knbaseDocRecordService.writeDocRecord 的逻辑，用于记录写入的片段。下文详细介绍其中用到的 mysql 表：
1、 表 1 space 记录表
注：主要用于记录创建的 space，以及查询管控，如禁用某个 space 等
CREATE TABLE `xxx_vearch_spaces` ( `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT COMMENT '自增主键', `type` tinyint(3) NOT NULL COMMENT '类型', `status` tinyint(3) NOT NULL COMMENT '状态', `space` varchar(127) NOT NULL COMMENT '空间标识', `db` varchar(127) NOT NULL COMMENT '库标识', `desc` varchar(127) NOT NULL COMMENT '空间描述', `ext` varchar(4095) NOT NULL DEFAULT '' COMMENT '扩展字段', `creator` varchar(127) NOT NULL DEFAULT '' COMMENT '创建人', `created` timestamp NOT NULL COMMENT '创建时间', `modifier` varchar(127) NOT NULL DEFAULT '' COMMENT '修改人', `modified` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '修改时间', `deleted` tinyint(3) NOT NULL DEFAULT '0' COMMENT '已删除(0:否;1:是)', PRIMARY KEY (`id`) USING BTREE, UNIQUE KEY `uniq_space_db` (`space`,`db`) USING BTREE) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4 COMMENT='xxx向量空间'
复制代码
2、 表 2 file 记录表
注：主要用于记录 space 下的 file，以及查询管控，如禁用某个 file，以及关联查询对应的全部片段。
CREATE TABLE `xxx_spaces_knbase` ( `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT COMMENT '自增主键', `status` tinyint(3) NOT NULL COMMENT '状态', `space` varchar(127) NOT NULL COMMENT '空间标识', `file_name` varchar(255) NOT NULL COMMENT '文件名', `file_desc` varchar(511) NOT NULL COMMENT '文件描述', `byte_num` bigint(20) unsigned NOT NULL COMMENT '字符数', `hit_count` int(10) unsigned NOT NULL COMMENT '命中次数', `ext` varchar(4095) NOT NULL DEFAULT '' COMMENT '扩展字段', `creator` varchar(127) NOT NULL DEFAULT '' COMMENT '创建人', `created` timestamp NOT NULL COMMENT '创建时间', `modifier` varchar(127) NOT NULL DEFAULT '' COMMENT '修改人', `modified` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '修改时间', `deleted` tinyint(3) NOT NULL DEFAULT '0' COMMENT '已删除(0:否;1:是)', `file_flag_id` varchar(255) DEFAULT NULL COMMENT '文件唯一标识', PRIMARY KEY (`id`) USING BTREE, KEY `idx_space` (`space`) USING BTREE) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4 COMMENT='xxx空间知识库'
复制代码
3、 表 3 paragraph 记录表
注：主要用于记录 file 拆分的片段，包括当前位置，查询命中数等。
CREATE TABLE `xxx_knbase_doc_record` ( `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT COMMENT '自增主键', `space` varchar(127) NOT NULL COMMENT '空间标识', `file_flag_id` varchar(255) NOT NULL COMMENT '文件标识', `d_index` bigint(20) unsigned NOT NULL COMMENT '文档位置', `hit_count` int(10) unsigned NOT NULL COMMENT '命中次数', `ext` varchar(4095) NOT NULL DEFAULT '' COMMENT '扩展字段', `creator` varchar(127) NOT NULL DEFAULT '' COMMENT '创建人', `created` timestamp NOT NULL COMMENT '创建时间', `modifier` varchar(127) NOT NULL DEFAULT '' COMMENT '修改人', `modified` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '修改时间', `deleted` tinyint(3) NOT NULL DEFAULT '0' COMMENT '已删除(0:否;1:是)', PRIMARY KEY (`id`) USING BTREE, UNIQUE KEY `uniq_space_file_idx` (`space`,`file_flag_id`,`d_index`) USING BTREE) ENGINE=InnoDB AUTO_INCREMENT=0 DEFAULT CHARSET=utf8mb4 COMMENT='xxx知识文档记录'
复制代码
四、总结
向量数据库对于大模型应用落地来说至关重要，有些不可外露的内部数据可以存储在向量库中，用于内部检索。随着向量库中数据的丰富，大模型推理回答的能力也将更加精准。
上文的设计比如 space 中的 chunkFlagId 可以关联出原始的整个文件；chunkIndexId 可以控制数据的查询范围，另一方面可以通过此字段实现分页（vearch 目前不支持分页查询）以及全文导出。xxx_knbase_doc_record 表中记录了片段的记录，可用于计算片段的 chunkIndexId，一方面避免重复，另一方面保证属性的递增，可用于扩展很多能力。
目前向量数据库的检索只支持基本的向量检索和关键字检索，后续会逐步优化混合检索等方案以提高检索准确率等。
评论