LangflowとMilvusを使用したRAGシステムの構築
このガイドでは、Langflowを使用してMilvusでRAG（Retrieval-Augmented Generation）パイプラインを構築する方法を示します。
RAGシステムは、まず知識ベースから関連ドキュメントを検索し、次にこのコンテキストに基づいて新しいレスポンスを生成することで、テキスト生成を強化します。Milvusは埋め込みテキストの保存と検索に使用され、Langflowは視覚的ワークフローにおける検索と生成の統合を容易にします。
LangflowはRAGパイプラインの容易な構築を可能にし、テキストのチャンクが埋め込まれ、Milvusに保存され、関連するクエリが行われたときに検索される。これにより、言語モデルは文脈に基づいた応答を生成することができます。
Milvusは意味的に類似したテキストを素早く見つけるスケーラブルなベクトルデータベースとして機能し、Langflowはパイプラインがテキスト検索とレスポンス生成をどのように処理するかを管理することができます。これらを組み合わせることで、テキストベースのアプリケーションを強化するための堅牢なRAGパイプラインを構築する効率的な方法を提供します。
前提条件
このノートブックを実行する前に、以下の依存関係がインストールされていることを確認してください：
$ python -m pip install langflow -U
チュートリアル
すべての依存関係がインストールされたら、次のコマンドを入力してLangflowダッシュボードを起動します：
$ python -m langflow run
すると、以下のようにダッシュボードがポップアップします： 
langflow
Vector Storeプロジェクトを作成したいので、まずNew Projectボタンをクリックします。パネルがポップアップするので、Vector Store RAGオプションを選択する： 
panel
Vector Store Ragプロジェクトが正常に作成されたら、デフォルトのベクターストアはAstraDBである。そこで、Milvusをベクターストアとして使用するために、これら2つのastraDBモジュールをMilvusに置き換える必要があります。 
astraDB
astraDBをMilvusに置き換える手順：
- ベクターストアの既存のカードを削除する。上の画像で赤く表示されている2つのAstraDBカードをクリックし、バックスペースを押して削除します。
- サイドバーのVector Storeオプションをクリックし、Milvusを選択してキャンバスにドラッグする。ファイル処理ワークフロー用と検索ワークフロー用の2枚のMilvusカードが必要なので、これを2回行う。
- Milvusモジュールを残りのコンポーネントにリンクします。下の画像を参照してください。
- 両方のMilvusモジュールにMilvus認証情報を設定する。最も簡単な方法は、接続URIをmilvus_demo.dbに設定してMilvus Liteを使用することです。Milvusサーバをセルフデプロイしている場合、またはZilliz Cloudを利用している場合は、Connection URIをサーバエンドポイントに、Connection Passwordをトークン（Milvusの場合は"
: "、Zilliz Cloudの場合はAPI Key）に設定します。参考までに以下の画像をご覧ください：
Milvusの構造デモ
RAGシステムに知識を埋め込む
- 左下のファイルモジュールからLLMのナレッジベースとしてファイルをアップロードします。ここではMilvusの簡単な紹介を含むファイルをアップロードしました。
- 右下のMilvusモジュールの実行ボタンを押して、挿入ワークフローを実行します。Milvusベクターストアにナレッジが挿入されます。
- 知識がメモリにあるかテストする。プレイグラウンドを開き、アップロードしたファイルに関連する質問をします。
なぜmilvusなのか？
