如何让聊天机器人更懂你？Tair向量检索给你答案

01ChatGPT潮流下向量检索的兴起

ChatGPT刚刚出圈并大火的时候，曾经出过一个Bug，用户有概率看到别的用户的聊天信息或者聊天Session的标题。最终，OpenAI发布了一份声明，对这个问题的发生做出了解释，声明中指出，该错误源于开源库redis-py中的一个漏洞。OpenAI官方宣称在此过程中寻求了Redis的开发者的帮助。借此机会，我们得以一探大模型与最火爆的聊天机器人应用中，缓存系统的作用方式。

大模型自身是没有多轮对话能力的，需要将之前的历史信息保存下来，重新组织以后再发送给大模型，才可以实现多轮对话的能力。但是不论是哪家的大模型，能够接受的请求大小（Token数限制）都是有限的，所以需要一个外存，将长期历史对话记录存储起来，并提供具备向量检索能力的查询检索能力。

大语言模型似乎已经无所不能了，为什么还需要数据库？通过对大规模互联网数据的学习，大语言模型已经具备了相当丰富的基础知识和阅读理解、逻辑推理能力。要想充分发挥它的潜力，还需要提供额外的信息进行辅助。一类是跟用户交流的历史记录，使得大模型在多轮对话中能够“瞻前顾后”；另一类是模型训练中所没有见过的私域知识以及新知识，避免大模型在未知的领域“无中生有”。Tair是阿里云企业级内存数据库，广泛应用于电商、游戏等各领域，兼容Redis生态（可平替开源Redis），并且同时具备向量检索能力，实现了缓存+向量二合一。

02大模型时代的新需求

在这个大模型与AIGC持续火爆的时代，向量检索的用户有哪些变化？用户对于向量检索以及缓存系统有哪些新需求？我们可以从以下几个方面来看：

1. 用户更加多元化

传统的向量检索系统，往往是AI工程中的一个组成部分，向量数据库的使用者往往是AI领域的专业人员。而随着大模型的火爆，各个领域的开发者都加入进来。这些用户对AI领域的知识，掌握程度参差不齐，对于模型、向量、距离函数、索引类型等概念的理解程度也有很大差异。另外传统的向量索引技术分支众多，各有特点，各分支在不同场景，不同数据规模下表现各异。在这种情况下，系统是否可以做的更加简洁易用，屏蔽掉大部分技术细节，将用户从选择困难中拯救出来，对用户很有意义。

2. 系统的实时读写能力

现在各个大模型相关的开发框架非常流行，比如LangChain、llamaIndex等。这些开发框架都兼容了非常多的向量数据库，但是对向量数据库的接口抽象中，都假设向量数据库可以像一个TP数据库一样使用，只提供初始化和实时的增删查改等几个很少的接口，传统向量检索系统的索引构建、索引加载、配置变更等步骤和流程完全没有体现。这就对向量数据库的实时读写能力，提出了更高要求，最好可以像是MySQL/Redis一样可以在线访问、实时读写的形态。

3. 多模混合检索能力

许多用户在基于大模型、AIGC的场景，进行开发的时候，私域数据以及长Session的用户信息，数据量的起步规格都不会很大。每个检索场景的系统各来一套的话，即使配置起步规格，系统利用率也不高。在检索的时候，除了向量近似检索，往往还需要其他方面的检索能力，比如全文检索、标量混合检索等等。如果可以在一个数据库实例内，同时提供这几种检索能力，将大大降低系统的复杂度和使用门槛。

03Tair的产品特性与优势

Tair向量检索，是在云原生内存数据Tair的基础上，以内置引擎的方式，为用户提供简单易用、实时高性能、多模混合检索的向量数据库服务。

向量索引基础能力

结合现有大模型的实际需求，Tair提供两种常见的索引算法：

● FLAT：在小规模或者对查询精度有严格要求的场景下，可以采用此方式，除数据外，无额外索引开销。

● HNSW：如果是大规模数据集，或者对查询时延有高要求，可以选用HNSW方式。此外，后台提供AutoGC功能，对标记删除的数据空间进行自动回收。

在距离函数的支持方面，行业常见L2，以及大模型领域经常用到的IP和COSINE都有支持。在向量每个维度的数据类型方面，完整支持FLOAT32、FLOAT16，以及Binary三种类型。

所有的数据和索引都是全内存设计，保证了实时在线的访问性能。数据变化会同步到备节点，保证系统的高可用。所有数据都会实时写入磁盘存储，保证数据的可靠性，并支持备份恢复，支持恢复至指定时间点的闪回特性。

简单易用

▶︎ 低起配低成本

使用Tair和其向量检索，就像使用开源Redis一样简单。Tair的起步规格为1G双节点，可以容纳数十万数据量，在LLM相关的大部分场景下都可以满足需求。

在内存使用上，Tair向量检索采用了精心设计的数据结构，面向内存数据库优化，比起开源的Milvus，内存占用节省30%～70%。

gist数据集，100万条，960维，HNSW算法

▶︎ 高弹性

在部署方式上，使用主备高可用方式起步，并且可以在线扩容至最大256个集群分片的分布式部署方式，并且单分片支持的内存容量可以扩容至64GB，使得整个集群的最大容量扩展至16T。

Redis生态兼容使用方式

Tair在索引支持和使用方式上，采用的是完全实时在线的方式，创建/删除索引空间，或者写入数据只用少量的几个API即可实现，所有操作均为同步操作。在SDK的开发语言支持方面，我们通过扩展Tair的SDK支持了Java和Python，其他开发语言则可以通过兼容Redis协议的方式快速兼容，另外日常开发也可以通过redis-cli直接访问。

系统内部支持海量独立索引空间的创建和删除，在数据库进程内部，每个独立索引空间的创建和删除都映射到了KV操作中。这些底层机制使得Tair的向量检索能力具备以下特性：

● 支持海量的独立索引空间，总数量只受实例内存空间的限制。索引的创建也是实时生效，操作时延<1ms。

● 索引空间、以及索引空间内每个独立的向量数据行，都支持TTL / Expire类的操作。这些特性良好支持了具备向量检索能力的Session机制，使用起来也更像是传统的Redis，对有多元化需求的用户，支持更加友好。

实时高性能

所有的索引构建和更新，都采用了实时在线的方式，写入的数据实时可查，删除后的数据实时不可见，没有任何延迟。

在访问性能方面，索引的创建时延<1ms，类似于Redis中一个KV的操作时延；而向量数据的点查时延<1ms，写入（附带索引构建）和近似检索都在毫秒级别。此外，Tair向量检索同时支持Intel CPU和倚天CPU，并分别针对x86和arm架构进行了CPU指令集的优化。

以下均通过Tair的Python客户端，跨网络进行测试，测试的硬件环境是x86的G6机型和倚天710机型。

● HNSW索引算法下性能表现

数据集：sift（128维、100万条），gist（960维，100万条），ef_search为横坐标，查询最相近的10条数据。

● FLAT索引算法下性能表现

数据集：minst（784维，6万条），random随机数据（100维，9万条），查询最相近的10条数据。

多模检索

▶︎ 向量标量混合检索

Tair向量检索支持在对向量做ANN近似查询的同时，对标量数据同步过滤。在过滤标量少数据的同时，支持对过滤的条件按照C语言的格式进行编写，支持大于小于、与或非等操作符，例如：

▶︎丰富计算场景支持

Tair除了兼容Redis生态，提供了常用的Hash、ZSet等使用方式外，还提供了TairStack复杂数据结构的存储和检索能力。这些能力不仅增强了Tair在实时计算领域的能力，还和现有的其他数据结构一起为用户提供一站式的数据解决方案。

传统Redis生态的各种数据结构，为用户提供了缓存场景的高效使用，而Tair Search和Tair向量检索则为用户在大模型领域提供了在线检索能力，以及AI场景下的实时方案。TairSearch采用了和ES相似的、基于JSON的查询语法，满足了灵活性的同时，兼容ES用户的使用习惯，除了支持ES常用的分词器，还新增JIEBA和IK中文分词器，对中文分词更加友好。这种组合能力，可以大大简化业务系统，减少操作多种数据系统，带来的数据同步和资源成本等问题。

标准云原生数据库服务

Tair是标准的云原生内存数据库服务，具备云原生数据库服务常见的开箱即用的特点，完整支持安全加密、备份恢复、数据闪回等各种特性。同时对于多AZ部署、跨Region数据同步等也有完整支持。相比较开源数据库系统具备更出色的易用性。

04大模型结合Tair的应用场景

Tair为大模型系统提供长ChatSession

大模型系统能够接收的请求大小（也即Token数）是有限制的（通常是4K～32K之间），并且响应速度随着请求变大而变慢。以ChatGLM为例，将用户的历史记录作为请求的一部分持续追加，当超过Token数限制的时候就需要丢弃老的聊天记录，因此LLM方案无法实现太长的多轮对话能力。而基于Tair，可以将用户的历史聊天记录存在Session中，这些信息可以设置TTL等过期机制，并且Tair也支持海量的索引空间(Session)。在请求LLM的时候，通过向量检索技术，将相关的历史信息检索出来，通过Prompt润色后，一并发送给大模型，可实现基于多轮对话下，长期的上下文感知能力。

大模型私域数据问答

基于Tair的向量检索和全文检索能力，可以为用户私域数据的ChatBot服务提供两路召回，定制用户专有的ChatBot。通过近期的客户对接和访谈，现有大模型业务的数据规模一般较小（数万～数百万），Tair提供1GB的数据库实例，低成本起步；可在线扩容至16T的集群规模，支持大容量高吞吐的业务场景，满足业务规模的不断发展。

05使用说明及客户端SDK

redis-cli命令行API说明：https://help.aliyun.com/document_detail/453885.html

Java版客户端：https://github.com/tair-opensource/alibabacloud-tairjedis-sdk

Python版客户端：https://github.com/tair-opensource/tair-py

基于计算巢一键拉起Tair+LLM使用范例：

● 计算巢实例：https://computenest.console.aliyun.com/user/cn-hangzhou/serviceInstanceCreate?ServiceId=service-e0d7fd4e157d49119f47

● 说明文章：https://developer.aliyun.com/article/1255340

文章转载自公众号：阿里云瑶池数据库