架构总览

在这里插入图片描述

特性：
● 支持数据库中进行的ai和ml分析
● 支持gpu加速
● 集成多种开源llm和rag框架
● 支持传统的机器学习模型

使用方法

云端试用

官方提供了云服务试用，根据要求注册账号即可： 注册地址

本地部署

官方提供了docker镜像，执行如下命令即可安装

1
2
3
4
5
6
7
docker run \
    -it \
    -v postgresml_data:/var/lib/postgresql \
    -p 5433:5432 \
    -p 8000:8000 \
    ghcr.io/postgresml/postgresml:2.7.12 \
    sudo -u postgresml psql -d postgresml

进入容器后，可选发现预先定义好一些表，同时已经安装了pgvector和pgml插件
在这里插入图片描述
在这里插入图片描述

一体化RAG框架

传统的RAG方式VS一体化RAG

RAG基本流程

PGML的一体化RAG是针对传统RAG进行改进的解决方案。一体化的RAG不再依赖分散的模块来处理嵌入、检索、重排和文本生成，而是将它们组合在一项服务下。PGML提供了如下RAG基本步骤：

  1. 文档切分模块：用于把完整文档按照不同的切分策略进行切分
  2. 向量化模块：支持使用开源向量模型对文本块进行向量化表示
  3. 检索模块：用于对输入向量和文档向量进行相似性检索或者重排序
  4. 答案生成模块：支持使用开源的LLM对答案进行总结生成

文档切分

1
2
3
4
5
6
7
8
9
# 算子为pgml.chunk
# pgml.chunk(
#    splitter TEXT,    -- splitter name
#    text TEXT,        -- text to embed
#    kwargs JSON       -- optional arguments
# )

# 实际例子如下
SELECT pgml.chunk('recursive_character', content,  '{"chunk_size": 250}') FROM documents;

切分策略与langchain基本差不多，recursive_character是最常用的。此外还支持latex、markdown、ntlk、python、spacy等切分策略。

文档向量化

1
2
3
4
5
6
7
8
9
# 算子为pgml.embed
# pgml.embed(
#    transformer TEXT,
#    "text" TEXT,
#    kwargs JSONB
#)

# 实际例子如下
SELECT pgml.embed('mixedbread-ai/mxbai-embed-large-v1', chunk) from chunks;

检索和重排序

1
2
3
4
5
6
7
8
9
10
# 算子为pgml.rank
# pgml.rank(
#     transformer TEXT,
#     query TEXT,
#     documents TEXT[],
#     kwargs JSONB
# )

# 实际例子如下
SELECT pgml.rank('mixedbread-ai/mxbai-rerank-base-v1', 'How do I write a select statement with pgml.transform?', array_agg("chunk"), '{"return_documents": false, "top_k": 6}'::jsonb || '{}') AS rank

文本生成

1
2
3
4
5
6
7
8
9
10
11
12
13
# 算子为pgml.transform
# SELECT pgml.transform(
#     task   => TEXT OR JSONB,     -- Pipeline initializer arguments
#     inputs => TEXT[] OR BYTEA[], -- inputs for inference
#     args   => JSONB              -- (optional) arguments to the pipeline.
# )

# 实际例子如下
SELECT *
FROM pgml.transform(
  task => 'text-generation',
  inputs => ARRAY['In a galaxy far far away']
);

完整应用方案

第一步 创建一张表，用于存储文档切分的结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
CREATE TABLE chunks(id SERIAL PRIMARY KEY, chunk text NOT NULL, chunk_index int NOT NULL, document_id int references documents(id));


INSERT INTO chunks (chunk, chunk_index, document_id)
SELECT
    (chunk).chunk,
    (chunk).chunk_index,
    id
FROM (
    SELECT
        pgml.chunk('recursive_character', document, '{"chunk_size": 250}') chunk,
        id
    FROM
        documents) sub_query;

第二步 创建向量表，把chunk进行embedding并存储

1
2
3
4
5
6
7
8
9
10
11
12
CREATE TABLE embeddings (
    id SERIAL PRIMARY KEY, chunk_id bigint, embedding vector (1024),
    FOREIGN KEY (chunk_id) REFERENCES chunks (id) ON DELETE CASCADE
);


INSERT INTO embeddings(chunk_id, embedding)
SELECT
    id,
    pgml.embed('mixedbread-ai/mxbai-embed-large-v1', chunk)
FROM
    chunks;

前两步可以在直接在一张表中创建两个字段保存即可，无需创建两个表

第三步 输入执行向量化，并按照对数据库中的向量进行检索排序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
WITH embedded_query AS (
    SELECT
        pgml.embed('mixedbread-ai/mxbai-embed-large-v1', 'How do I write a select statement with pgml.transform?', '{"prompt": "Represent this sentence for searching relevant passages: "}')::vector embedding
)
SELECT
    chunks.id,
    (
        SELECT
            embedding
        FROM embedded_query) <=> embeddings.embedding cosine_distance,
    chunks.chunk
FROM
    chunks
    INNER JOIN embeddings ON embeddings.chunk_id = chunks.id
ORDER BY
    embeddings.embedding <=> (
        SELECT
            embedding
        FROM embedded_query)
LIMIT 6;

第四步 对数据库中的相似片段进行总结生成

1
2
3
4
5
6
7
8
9
10
11
12
13
# 省略上述检索步骤
SELECT
    pgml.transform (
      task => '{
        "task": "conversational",
        "model": "meta-llama/Meta-Llama-3.1-8B-Instruct"
      }'::jsonb, 
      inputs => ARRAY['{"role": "system", "content": "You are a friendly and helpful chatbot."}'::jsonb, jsonb_build_object('role', 'user', 'content', replace('Given the context answer the following question: How do I write a select statement with pgml.transform? Context:\n\n{CONTEXT}', '{CONTEXT}', chunk))], 
      args => '{
        "max_new_tokens": 100
      }'::jsonb)
FROM
    context;

transform改成transform_stream即变成流式输出

总结分析

优点：
● 一体化的RAG框架，集成了多种开源模型和langchain的组件，可以直接在数据库中进行RAG构建
● 支持多种机器学习算法，可以实现数据库内一站式的机器学习和数据分析
● 全程SQL操作即可，适合传统数据分析人员或者对框架和其他编程语言不熟悉的人

缺点：
● 镜像内不含模型，实时拉取模型会比较慢
● 不支持单独部署成一个服务，但是可以结合官方提供的Python和JS的SDK进行二次封装
● 由于数据库的安全问题不支持直接接入闭源模型，需要手工调整工作流程