> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# GenAI高级索引管道
- URL: https://www.hubwiz.com/blog/genai-advanced-indexing-pipeline/
- Published: 2024-11-02T08:10:22.000Z
- Updated: 2024-11-02T08:10:22.000Z
- Author: admin
- Tags: RAG, LLAMAINDEX, QDRANT, MLFLOW, #Import 2026-10-14 14:41

管理复杂的 GenAI 管道（尤其是具有多个模型和数据源的管道）可能是一项艰巨的任务。本文演示了如何将 LlamaIndex 与 Qdrant 和 MLflow 集成以简化 GenAI 应用程序的管理和部署。你将探索 MLflow 的功能（例如跟踪、模型打包和评估）如何实现 LlamaIndex 引擎的无缝处理。通过逐步实施，了解如何简化检索增强生成 (RAG) 工作流程、确保性能一致性并优化索引系统以实现更好的可扩展性和效率。

## 1、系统架构

该架构集成了多个关键组件，以构建高效且可扩展的检索增强生成 (RAG) 系统。其核心是利用 LlamaIndex 进行索引和检索、利用 Qdrant 进行矢量存储和搜索以及利用 MLflow 在整个生命周期内注册、服务和跟踪所有组件的模型。这种设计旨在管理来自各种来源的大量数据，同时确保最终用户能够快速检索和准确推理。

管道从提取来自各种来源（例如 Web 文档、内部文档和数据库记录）的文档开始。这些文档由变更数据捕获 (CDC) 机制处理，该机制跟踪数据的变化，确保新文档和更新的文档始终反映在索引过程中。数据工程师负责系统的这一部分，管理数据管道以将传入的文档输入到由 LlamaIndex 支持的索引器中。LlamaIndex 和 Qdrant 索引器创建这些文档的语义索引，并将向量存储在 Qdrant 数据库中，该数据库充当向量存储和检索引擎。LlamaIndex 和 Qdrant 之间的集成实现了高效、高性能的索引和检索。

索引完成后，系统使用 MLflow 保存模型，这在 LlamaIndex 模型的生命周期管理中起着关键作用。 MLflow 允许跟踪所有必要的元数据，包括模型的版本控制、模型跟踪和模型服务，确保模型开发、测试和部署的不同阶段的一致性和透明度。

在检索方面，RAG-Bot 使用相同的 LlamaIndex 和 Qdrant 设置与用户的查询进行交互。RAG-Bot 处理传入的请求并将其发送到 MLflow 的 LlamaIndex 检索器，后者查询 Qdrant 存储以根据查询嵌入获取最相关的索引文档。此检索器旨在高速工作，从而能够快速响应用户。然后，将检索到的数据作为推理过程的一部分发送回用户。

## 2、MLflow 设置

首先安装 MLflow

```
pip install mlflow
```

要开始使用 MLflow，你需要先安装它。MLflow 是一个用于管理机器学习实验、跟踪指标、打包代码和部署模型的开源工具。 `pip install mlflow` 命令将安装所有必要的依赖项，使 MLflow 可以在你的环境中使用。

用如下命令启动 MLflow 服务器：

```
mlflow server # this will run the server on port 5000

mlflow server --host 127.0.0.1 --port 3001  # runs the server on custom port
```

![](https://www.hubwiz.com/blog/content/images/2024/11/image-145.png)

mlflow UI 在端口 3001 上启动

编写代码以使用 MLflow 跟踪实验：

```
import mlflow
import mlflow.sklearn
from sklearn.datasets import load_diabetes
from sklearn.linear_model import ElasticNet
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# Load the dataset
data = load_diabetes()
X = data.data
y = data.target

# Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Set model parameters
alpha = 0.5
l1_ratio = 0.5

# set mlflow tracking uri
mlflow.set_tracking_uri('http://127.0.0.1:3001/')

# Start an MLflow experiment
with mlflow.start_run():
    # Train the model
    model = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, random_state=42)
    model.fit(X_train, y_train)

    # Predict on the test set
    predictions = model.predict(X_test)

    # Calculate metrics
    mse = mean_squared_error(y_test, predictions)
    r2 = r2_score(y_test, predictions)

    # Log parameters and metrics with MLflow
    mlflow.log_param("alpha", alpha)
    mlflow.log_param("l1_ratio", l1_ratio)
    mlflow.log_metric("mse", mse)
    mlflow.log_metric("r2", r2)

    # Log the model itself
    mlflow.sklearn.log_model(model, "model")

    # Advanced Use: Generate a plot for residuals
    plt.scatter(y_test, predictions)
    plt.xlabel("True Values")
    plt.ylabel("Predictions")
    plt.savefig("residuals_plot.png")

    # Log the plot as an artifact
    mlflow.log_artifact("residuals_plot.png")

print("MLflow run complete!")
```

我们创建一个 Python 脚本 (train.py)，使用 MLflow 来跟踪模型的训练和评估机器学习模型。我们首先导入必要的库，如 MLflow、scikit-learn 等。我们加载糖尿病数据集，将其分成训练集和测试集，并定义模型参数。使用 `mlflow.start_run()`，我们开始实验运行，训练 ElasticNet 回归模型并进行预测。我们计算评估指标（MSE 和 R2 分数）并使用 MLflow 的日志记录功能记录模型参数、指标和训练模型本身。这使我们能够轻松跟踪实验、比较不同的运行并存储模型以供日后使用。下面成功运行的代码之一是可以在 MLflow UI 中看到的跟踪。

![](https://www.hubwiz.com/blog/content/images/2024/11/image-146.png)

![](https://www.hubwiz.com/blog/content/images/2024/11/image-147.png)

实验概述

![](https://www.hubwiz.com/blog/content/images/2024/11/image-148.png)

工件以及 mlflow 中跟踪的视觉效果

如果你想要永久保留实验并想要追溯历史记录，请按如下方式运行 mlflow 服务器：

```
# this will plugin the mlflow with postgres and log all details to postgres.
mlflow server --backend-store-uri postgresql://root:root@localhost:5432/mlflow --default-artifact-root ./mlruns --host 127.0.0.1 --port 3001 
```

## 3、设置 Qdrant

转到 qdrant.tech 并单击主屏幕右上角的登录：

![](https://www.hubwiz.com/blog/content/images/2024/11/image-149.png)

在登录页面上，选择适当的方法进入云托管 qdrant 平台。登录后，你应该进入以下环境，如下所示。

如果你有一个集群，可以重新启动它，或者可以免费创建一个集群：

![](https://www.hubwiz.com/blog/content/images/2024/11/image-150.png)

![](https://www.hubwiz.com/blog/content/images/2024/11/image-151.png)

## 4、设置 Ollama

如果你使用的是 Mac，请使用以下命令，否则请转到[这里](https://ollama.com/download?ref=hubwiz.com)选择合适的平台：

```
https://ollama.com/download/Ollama-darwin.zip # if on mac
```

安装后，通过运行以下命令检查 Ollama 是否已成功安装：

```
ollama --version
```

如果一切设置正确，此命令将打印已安装的版本。

接下来设置模型：

```
# LLM model
ollama pull llama3.2:latest

# Embedding Model
ollama pull nomic-embed-text:latest
```

检查系统中是否包含所有模型：

```
ollama list
```

## 5、 Playground 代码

现在我们已经运行了 MLflow 服务器、运行了 Qdrant 和运行了 Ollama，我们可以使用 LlamaIndex 在所有这些之间创建一个简单的集成，以测试所有工具是否都朝着同一个方向对齐。项目脚手架如下：

```
.
├── .env
├── data
│   └── vllm.pdf
├── model_indexing.py
├── model_logging.py
└── requirements.txt
```

让我们来编写 `.env` 文件：

```
OLLAMA_URL='http://localhost:11434'
EMBED_MODEL='nomic-embed-text:latest'
LANGUAGE_MODEL='llama3.2:latest'
QDRANT_URL='https://5496bdf1-fe1b-4e36-8715-aa5319aa1bf7.us-east4-0.gcp.cloud.qdrant.io:6333'
QDRANT_API_KEY='YbKL_l28******************************************'
COLLECTION_NAME='mlflow_collection'
```

让我们看看下面的 requirements.txt：

```
mlflow==2.17.1
psycopg2-binary==2.9.10
psycopg2==2.9.10
llama-index==0.11.20
llama-index-llms-ollama==0.3.4
llama-index-embeddings-ollama==0.3.1
llama-index-vector-stores-qdrant==0.3.2
qdrant-client==1.12.0
python-dotenv==1.0.1
```

让我们编写 model\_indexing.py：

```
from llama_index.core import Settings, SimpleDirectoryReader, StorageContext, VectorStoreIndex
from llama_index.embeddings.ollama import OllamaEmbedding
from llama_index.llms.ollama import Ollama
from llama_index.vector_stores.qdrant import QdrantVectorStore
from dotenv import load_dotenv, find_dotenv
import qdrant_client
import mlflow
import os

load_dotenv(find_dotenv())

Settings.llm = Ollama(model=os.environ.get('LANGUAGE_MODEL'), base_url=os.environ.get('OLLAMA_URL'))
Settings.embed_model = OllamaEmbedding(model_name=os.environ.get('EMBED_MODEL'), base_url=os.environ.get('OLLAMA_URL'))

documents = SimpleDirectoryReader(input_dir='data', required_exts=['.pdf']).load_data(show_progress=True)

client = qdrant_client.QdrantClient(url=os.environ.get('QDRANT_URL'), api_key=os.environ.get('QDRANT_API_KEY'))

vector_store = QdrantVectorStore(client=client, collection_name=os.environ.get('COLLECTION_NAME'))

storage_context = StorageContext.from_defaults(vector_store=vector_store)
index = VectorStoreIndex.from_documents(documents=documents, storage_context=storage_context, show_progress=True)

mlflow.models.set_model(index)
```

让我们编写 model\_logging.py：

```
from llama_index.core import VectorStoreIndex
import mlflow

mlflow.set_tracking_uri('http://127.0.0.1:3000')
mlflow.set_experiment(experiment_name='llamaindex-qdrant-rag-1')

mlflow.llama_index.autolog()

with mlflow.start_run():
    model_info = mlflow.llama_index.log_model(
        "model_indexing.py",
        artifact_path="index",
        engine_type="chat",  # chat, query & retrieve
    )

    print(model_info.model_uri)

    index: VectorStoreIndex = mlflow.llama_index.load_model(model_info.model_uri)
    
    print(index)
```

在运行 model\_logging.py 之前，我们的 MLflow 服务器应该正在运行

![](https://www.hubwiz.com/blog/content/images/2024/11/image-152.png)

运行 model\_logging.py 后，输出应该如下所示：

![](https://www.hubwiz.com/blog/content/images/2024/11/image-153.png)

![](https://www.hubwiz.com/blog/content/images/2024/11/image-154.png)

对我们的 llamaindex + qdrant 实验进行了跟踪

![](https://www.hubwiz.com/blog/content/images/2024/11/image-155.png)

![](https://www.hubwiz.com/blog/content/images/2024/11/image-156.png)

如果执行任何 RAG，则比赛是可见的

## 6、结束语

总之，本系列的第 1 部分重点介绍了如何为我们的 GenAI 管道奠定坚实的基础，确保所有关键组件都正确安装并正常运行。我们已经成功安装并验证了 Ollama、MLflow 和 Qdrant，确保它们已为下一阶段做好准备。

这项初步基础工作让我们确信系统的构建块运行正常，使我们能够继续处理管道的更复杂方面。通过创建一个小型游乐场应用程序，我们验证了集成组件是否有效通信，为功能齐全的检索增强生成 (RAG) 系统奠定了基础。

在第 2 部分中，我们将通过实现一个成熟的应用程序来扩展此设置，从变更数据捕获 (CDC) 机制开始，一直到使用 MLflow 提供的模型。这将使我们更接近可扩展且高效的解决方案，用于管理复杂的 GenAI 工作流、确保数据一致性和优化模型部署。

---

原文链接：[Building Robust GenAI Pipelines: Leveraging LlamaIndex, Qdrant and MLflow for Advanced Indexing (Part1)](https://blog.stackademic.com/building-robust-genai-pipelines-leveraging-llamaindex-qdrant-and-mlflow-for-advanced-indexing-c3293be5735c?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处