Docs 菜单
Docs 主页
/
开发中
/
AI 集成
Docs 主页
/
开发中
/
AI 集成
Docs 主页
/
开发中
/
AI 集成

开始使用 Semantic Kernel Python 集成

注意

本教程使用语义内核 Python库。有关使用C#库的教程，请参阅 语义内核C#集成入门。

您可以将 MongoDB Vector Search 与 Microsoft 语义内核 集成，以构建 AI 应用程序并实现检索增强生成 (RAG)。本教程演示如何开始使用带有语义内核的MongoDB Vector Search 对数据执行语义搜索并构建RAG实施。具体来说，您执行以下操作：

  1. 设置环境。

  2. 在MongoDB中存储自定义数据。

  3. 对数据创建MongoDB Vector Search索引。

  4. 对您的数据运行语义搜索查询。

  5. 使用MongoDB Vector Search 来回答有关数据的问题，从而实施 RAG。

使用本教程的可运行版本以作为 Python 笔记本。

背景

Semantic Kernel 是一个开源 SDK，可让您将各种 AI 服务和插件与您的应用程序相结合。 您可以将语义内核用于各种 AI 使用案例，包括RAG 。

通过将MongoDB Vector Search 与语义内核集成，您可以将MongoDB用作向量数据库，并使用MongoDB Vector Search 从数据中检索语义相似的文档来实现RAG。要学习；了解有关RAG的更多信息，请参阅使用MongoDB进行检索增强生成 (RAG)。

先决条件

如要完成本教程，您必须具备以下条件：

  • 以下MongoDB 集群类型之一：

  • OpenAI API密钥。您必须拥有一个具有可用于API请求的积分的 OpenAI 帐户。要学习；了解有关注册 OpenAI 帐户的更多信息，请参阅 OpenAI API网站。

  • 运行交互式Python笔记本（例如 Colab）的环境。

设置环境

为此教程设置环境。 通过保存具有 .ipynb 扩展名的文件来创建交互式Python笔记本。 此 Notebook 允许您单独运行Python代码片段，并且您将使用它来运行本教程中的代码。

要设立笔记本环境，请执行以下操作：

1

安装并导入依赖项。

  1. 在笔记本中运行以下命令，在您的环境中安装语义内核。

    pip install --quiet --upgrade semantic-kernel openai motor

  2. 运行以下代码，导入所需包：

    import semantic_kernel as sk
    from semantic_kernel.connectors.ai.open_ai import (OpenAIChatCompletion, OpenAITextEmbedding)
    from semantic_kernel.connectors.memory.mongodb_atlas import MongoDBAtlasMemoryStore
    from semantic_kernel.core_plugins.text_memory_plugin import TextMemoryPlugin
    from semantic_kernel.memory.semantic_text_memory import SemanticTextMemory
    from semantic_kernel.prompt_template.input_variable import InputVariable
    from semantic_kernel.prompt_template.prompt_template_config import PromptTemplateConfig
    from pymongo import MongoClient
    from pymongo.operations import SearchIndexModel
2

定义环境变量。

运行以下代码，将占位符替换为以下值：

  • 您的 OpenAI API 密钥。

  • MongoDB集群的连接字符串。

注意

将 <connection-string> 替换为您的 Atlas 集群或本地部署的连接字符串。

连接字符串应使用以下格式：

mongodb+srv://<db_username>:<db_password>@<clusterName>.<hostname>.mongodb.net

要学习；了解更多信息，请参阅通过驱动程序连接到集群。

连接字符串应使用以下格式：

mongodb://localhost:<port-number>/?directConnection=true

要学习；了解更多信息，请参阅连接字符串。

在MongoDB中存储自定义数据

在本部分中，您将初始化内核，它是用于管理应用程序的服务和插件的主接口。通过内核，您可以配置AI服务，将MongoDB实例化为向量数据库（也称为内存存储），并将自定义数据加载到MongoDB 集群。

要将自定义数据存储在MongoDB中，请在笔记本中粘贴并运行以下代码片段：

1

初始化内核。

运行以下代码以初始化内核。

kernel = sk.Kernel()
2

将 AI 服务添加到内核。

运行以下代码以配置本教程中使用的 OpenAI 嵌入模型和聊天模型，并将这些服务添加到内核中。 此代码指定以下内容：

  • OpenAI 的text-embedding-ada-002作为嵌入模型，用于将文本转换为向量嵌入。

  • OpenAI 的gpt-3.5-turbo作为聊天模型，用于生成响应。

chat_service = OpenAIChatCompletion(
   service_id="chat",
   ai_model_id="gpt-3.5-turbo",
   api_key=OPENAI_API_KEY
)
embedding_service = OpenAITextEmbedding(
   ai_model_id="text-embedding-ada-002",
   api_key=OPENAI_API_KEY
)
kernel.add_service(chat_service)
kernel.add_service(embedding_service)
3

将 Atlas 实例化为内存存储。

运行以下代码，将 Atlas 实例化为内存存储，并将其添加到内核中。 此代码建立与 Atlas 集群的连接并指定以下内容：

  • semantic_kernel_db 作为用于存储文档的 Atlas 数据库。

  • vector_index 作为用于运行语义Atlas Search查询的索引。

它还导入一个名为TextMemoryPlugin 的插件，其中提供了一群组原生函数来帮助您在内存中存储和检索文本。

mongodb_atlas_memory_store = MongoDBAtlasMemoryStore(
   connection_string=MONGODB_URI,
   database_name="semantic_kernel_db",
   index_name="vector_index"
)
memory = SemanticTextMemory(
   storage=mongodb_atlas_memory_store,
   embeddings_generator=embedding_service
)
kernel.add_plugin(TextMemoryPlugin(memory), "TextMemoryPlugin")
4

在 Atlas 集群上加载样本数据。

此代码将定义并运行一个函数，以使用某些示例文档填充 semantic_kernel_db.test 集合。这些文档包含 LLM 最初无法访问的个性化数据。

 async def populate_memory(kernel: sk.Kernel) -> None:
    await memory.save_information(
       collection="test", id="1", text="I am a developer"
    )
    await memory.save_information(
       collection="test", id="2", text="I started using MongoDB two years ago"
    )
    await memory.save_information(
       collection="test", id="3", text="I'm using MongoDB Vector Search with Semantic Kernel to implement RAG"
    )
    await memory.save_information(
       collection="test", id="4", text="I like coffee"
    )
 print("Populating memory...")
 await populate_memory(kernel)
 print(kernel)
Populating memory...
plugins=KernelPluginCollection(plugins={'TextMemoryPlugin': KernelPlugin(name='TextMemoryPlugin', description=None, functions={'recall': KernelFunctionFromMethod(metadata=KernelFunctionMetadata(name='recall', plugin_name='TextMemoryPlugin', description='Recall a fact from the long term memory', parameters=[KernelParameterMetadata(name='ask', description='The information to retrieve', default_value=None, type_='str', is_required=True, type_object=<class 'str'>), KernelParameterMetadata(name='collection', description='The collection to search for information.', default_value='generic', type_='str', is_required=False, type_object=<class 'str'>), KernelParameterMetadata(name='relevance', description='The relevance score, from 0.0 to 1.0; 1.0 means perfect match', default_value=0.75, type_='float', is_required=False, type_object=<class 'float'>), KernelParameterMetadata(name='limit', description='The maximum number of relevant memories to recall.', default_value=1, type_='int', is_required=False, type_object=<class 'int'>)], is_prompt=False, is_asynchronous=True, return_parameter=KernelParameterMetadata(name='return', description='', default_value=None, type_='str', is_required=True, type_object=None)), method=<bound method TextMemoryPlugin.recall of TextMemoryPlugin(memory=SemanticTextMemory())>, stream_method=None), 'save': KernelFunctionFromMethod(metadata=KernelFunctionMetadata(name='save', plugin_name='TextMemoryPlugin', description='Save information to semantic memory', parameters=[KernelParameterMetadata(name='text', description='The information to save.', default_value=None, type_='str', is_required=True, type_object=<class 'str'>), KernelParameterMetadata(name='key', description='The unique key to associate with the information.', default_value=None, type_='str', is_required=True, type_object=<class 'str'>), KernelParameterMetadata(name='collection', description='The collection to save the information.', default_value='generic', type_='str', is_required=False, type_object=<class 'str'>)], is_prompt=False, is_asynchronous=True, return_parameter=KernelParameterMetadata(name='return', description='', default_value=None, type_='', is_required=True, type_object=None)), method=<bound method TextMemoryPlugin.save of TextMemoryPlugin(memory=SemanticTextMemory())>, stream_method=None)})}) services={'chat': OpenAIChatCompletion(ai_model_id='gpt-3.5-turbo', service_id='chat', client=<openai.AsyncOpenAI object at 0x7999971c8fa0>, ai_model_type=<OpenAIModelTypes.CHAT: 'chat'>, prompt_tokens=0, completion_tokens=0, total_tokens=0), 'text-embedding-ada-002': OpenAITextEmbedding(ai_model_id='text-embedding-ada-002', service_id='text-embedding-ada-002', client=<openai.AsyncOpenAI object at 0x7999971c8fd0>, ai_model_type=<OpenAIModelTypes.EMBEDDING: 'embedding'>, prompt_tokens=32, completion_tokens=0, total_tokens=32)} ai_service_selector=<semantic_kernel.services.ai_service_selector.AIServiceSelector object at 0x7999971cad70> retry_mechanism=PassThroughWithoutRetry() function_invoking_handlers={} function_invoked_handlers={}

提示

运行示例代码后，如果您使用的是Atlas ，则可以导航到Atlas 用户界面中的 semantic_kernel_db.test命名空间来验证向量嵌入。

创建MongoDB Vector Search 索引

要在向量存储上启用向量搜索查询，请在笔记本中运行以下代码，在 semantic_kernel_db.test集合上创建MongoDB Vector Search索引。

# Connect to your MongoDB cluster and specify the collection
client = MongoClient(MONGODB_URI)
collection = client["semantic_kernel_db"]["test"]
# Create your index model, then create the search index
search_index_model = SearchIndexModel(
   definition={
      "fields": [
         {
         "type": "vector",
         "path": "embedding",
         "numDimensions": 1536,
         "similarity": "cosine"
         }
      ]
   },
   name="vector_index",
   type="vectorSearch"
)
collection.create_search_index(model=search_index_model)

索引定义将 embedding 字段索引为向量类型。embedding 字段包含使用 OpenAI 的 text-embedding-ada-002 嵌入式模型创建的嵌入。此索引定义指定了 1536 个向量维度，并使用 cosine 来衡量相似性。

运行向量搜索查询

MongoDB构建索引后，您可以对数据运行向量搜索查询。

在 notebook 中，运行以下代码，对字符串 What is my job title? 执行基本语义搜索。它打印最相关的文档以及介于 0 和 1 之间的相关性分数。

result = await memory.search("test", "What is my job title?")
print(f"Retrieved document: {result[0].text}, {result[0].relevance}")
Retrieved document: I am a developer, 0.8991971015930176

回答有关数据的问题

本部分展示使用 MongoDB Vector Search 和语义内核实施RAG 的示例。现在您已经使用MongoDB Vector Search检索语义相似的文档，运行以下代码示例以提示法学硕士回答基于这些文档的问题。

以下代码定义了一个提示，以指示 LLM 使用检索到的文档作为查询的上下文。在此示例中，您使用示例查询When did I start using MongoDB? 提示法学硕士。 由于您使用自定义数据扩展了法学硕士的知识库，因此聊天模型能够生成更准确、上下文感知的响应。

service_id = "chat"
settings = kernel.get_service(service_id).instantiate_prompt_execution_settings(
   service_id=service_id
)
prompt_template = """
   Answer the following question based on the given context.
   Question: {{$input}}
   Context: {{$context}}
"""
chat_prompt_template_config = PromptTemplateConfig(
   execution_settings=settings,
   input_variables=[
       InputVariable(name="input"),
       InputVariable(name="context")
   ],
   template=prompt_template
)
prompt = kernel.add_function(
   function_name="RAG",
   plugin_name="TextMemoryPlugin",
   prompt_template_config=chat_prompt_template_config,
)
question = "When did I start using MongoDB?"
results = await memory.search("test", question)
retrieved_document = results[0].text
answer = await prompt.invoke(
   kernel=kernel, input=question, context=retrieved_document
)
print(answer)
You started using MongoDB two years ago.

后续步骤

MongoDB 还提供以下开发者资源：

提示

后退

LlamaIndex

来年

C# 集成

在此页面上