智能开放搜索 OpenSearch：基于RAG搭建知识库在线问答

技术原理

检索增强生成RAG（Retrieval-Augmented Generation）结合了检索技术和生成技术的人工智能方法，旨在提升模型生成内容的相关性、准确性和多样性。处理生成任务时，RAG首先在大量外部数据或知识库中检索与输入最相关的片段，然后将检索到的信息与原始输入一起输入到大语言模型（LLM）中，作为提示或者上下文引导模型生成更精确和丰富的回答。这种方法允许模型在生成响应时不仅依赖于其内部的参数和训练数据，还可以使用外部最新或特定领域的信息提升回答准确性。

应用场景

知识库在线问答常用于企业内部知识库检索与总结、垂直领域的在线问答等业务场景，基于客户的专业知识库文档，通过RAG（检索增强生成）技术和LLM（大语言模型） ，理解和响应复杂的自然语言查询，帮助企业客户通过自然语言快速从PDF、WORD、表格、图片文档中检索到所需信息。

前提条件

• 开通AI搜索开放平台服务，详情请参见开通服务。

• 获取服务调用地址和身份鉴权信息，详情请参见获取服务接入地址、获取API-KEY。

  AI搜索开放平台支持通过公网和VPC地址调用服务，且可通过VPC实现跨地域调用服务。目前支持上海、杭州、深圳、北京、张家口、青岛地域的用户，通过VPC地址调用AI搜索开放平台的服务。

  

• 创建阿里云Elasticsearch（ES）实例，要求ES 8.5及以上版本，详情请参见创建阿里云Elasticsearch实例。通过公网或私网访问阿里云ES实例时，需要将待访问设备的IP地址加入实例的访问白名单中，详情请参见配置实例公网或私网访问白名单。

• Python版本3.7及以上，在开发环境中引入Python包依赖aiohttp 3.8.6、elasticsearch 8.14。

RAG开发链路搭建

步骤一：完成服务选型和代码下载

根据知识库和业务需要，选择RAG链路中需要使用的算法服务以及开发框架，本文以Python SDK开发框架为例介绍如何搭建RAG链路。

1. 登录AI搜索开放平台控制台。

2. 选择上海地域，切换到AI搜索开放平台，切换到目标空间。

   说明

   • 目前仅支持在上海、德国（法兰克福）开通AI搜索开放平台功能。

   • 支持杭州、深圳、北京、张家口、青岛地域的用户，通过VPC地址跨地域调用AI搜索开放平台的服务。

3. 在左侧导航栏选择场景中心，选择RAG场景-知识库在线问答右侧的进入。

4. 根据服务信息结合业务特点，从下拉列表中选择所需服务，服务详情页面可查看服务详细信息。

   说明

   • 通过API调用RAG链路中的算法服务时，需要提供服务ID（service_id），如文档内容解析服务的ID为ops-document-analyze-001。

   • 从服务列表中切换服务后，生成代码中的service_id会同步更新。当代码下载到本地环境后，您仍可以更改service_id，调用对应服务。

   环节	服务说明
   文档内容解析	文档内容解析服务（ops-document-analyze-001）：提供通用文档解析服务，支持从非结构化文档（文本、表格、图片等）中提取标题、分段等逻辑层级结构，以结构化格式输出。
   图片内容解析	图片内容理解服务（ops-image-analyze-vlm-001）：可基于多模态大模型对图片内容进行解析理解以及文字识别，解析后的文本可用于图片检索问答场景。 图片文本识别服务（ops-image-analyze-ocr-001）：使用OCR能力进行图片文字识别，解析后的文本可用于图片检索问答场景。
   文档切片	文档切片服务（ops-document-split-001）：提供通用文本切片服务，支持基于文档段落、文本语义、指定规则，对HTML、Markdown、txt格式的结构化数据进行拆分，同时支持以富文本形式提取文档中的代码、图片以及表格。
   文本向量化	OpenSearch文本向量化服务-001（ops-text-embedding-001）：提供多语言（40+）文本向量化服务，输入文本最大长度300，输出向量维度1536维。 OpenSearch通用文本向量化服务-002（ops-text-embedding-002）：提供多语言（100+）文本向量化服务，输入文本最大长度8192，输出向量维度1024维。 OpenSearch文本向量化服务-中文-001（ops-text-embedding-zh-001）：提供中文文本向量化服务，输入文本最大长度1024，输出向量维度768维。 OpenSearch文本向量化服务-英文-001（ops-text-embedding-en-001）：提供英文文本向量化服务，输入文本最大长度512，输出向量维度768维。
   文本稀疏向量化	提供将文本数据转化为稀疏向量形式表达的服务，稀疏向量存储空间更小，常用于表达关键词和词频信息，可与稠密向量搭配进行混合检索，提升检索效果。 OpenSearch文本稀疏向量化服务（ops-text-sparse-embedding-001）：提供多语言（100+）文本向量化服务，输入文本最大长度8192。
   查询分析	查询分析服务001（ops-query-analyze-001）提供通用的Query分析服务，可基于大语言模型对用户输入的Query进行意图理解，以及相似问题扩展。
   搜索引擎	阿里云Elasticsearch：基于开源Elasticsearch构建的全托管云服务，100%兼容开源功能的同时，支持开箱即用、按需付费。 说明 搜索引擎服务选择阿里云Elasticsearch时，由于兼容性问题，文本稀疏向量化服务不可用，建议使用文本向量化相关服务。 OpenSearch-向量检索版是阿里巴巴自主研发的大规模分布式向量检索引擎，支持多种向量检索算法，高精度下性能表现优异，能完成大规模高性价比的索引构建和检索，同时，索引支持水平拓展与合并，支持索引流式构建、即增即查、数据实时动态更新。 说明 如您需要使用OpenSearch-向量检索版引擎方案，可以在RAG链路中替换引擎配置及代码。
   排序服务	BGE重排模型（ops-bge-reranker-larger）：通用文档打分服务，支持根据query与文档内容的相关性，按分数由高到低对文档排序，并输出打分结果。
   大模型	OpenSearch-千问-Turbo（ops-qwen-turbo）：以qwen-turbo大规模语言模型为模型底座，进行有监督的模型微调，强化检索增强，减少有害性。 千问-Turbo（qwen-turbo）：千问超大规模语言模型，支持中文、英文等不同语言输入，详情请参见千问大语言模型介绍。 千问-Plus（qwen-plus）：千问超大规模语言模型的增强版，支持中文、英文等不同语言输入，详情请参见千问大语言模型介绍。 千问-Max（qwen-max）：千问千亿级别超大规模语言模型，支持中文、英文等不同语言输入，详情请参见千问大语言模型介绍。

5. 完成服务选型后，单击配置完成，进入代码查询查看和下载代码。

   按照应用调用RAG链路时的运行流程，将代码分为离线文档处理和在线用户问答处理两部分：

   流程	作用	说明
   离线文档处理	负责文档处理，包含文档解析、图片提取、切片、向量化以及将文档处理结果写入ES索引。	使用主函数document_pipeline_execute完成以下流程，可通过文档URL或Base64编码输入待处理文档。 文档解析，服务调用请参见文档解析API。 调用异步文档解析接口，从文档URL地址中提取文档内容，或者从Base64编码文件中进行解码。 通过create_async_extraction_task函数构造解析任务，通过poll_task_result函数轮询任务完成状态。 图片提取，服务调用请参见图片内容提取API。 调用异步图片解析接口，从图片URL地址中提取图片内容，或者从Base64编码文件中进行解码。 通过create_image_analyze_task函数创建图片解析任务，通过get_image_analyze_task_status函数获取图片解析任务状态。 文档切片，服务调用请参见文档切片API。 调用文档切片接口，将解析后的文档按指定策略切片。 通过document_split函数进行文档切片，包含文档切片和富文本内容解析两部分。 文本向量化，服务调用请参见文本向量化API。 调用文本稠密向量表示接口，将切片后的文本向量化。 通过text_embedding函数计算每个切片的embedding向量。 写入ES，服务调用请参见使用Elasticsearch的向量近邻检索（kNN）功能。 创建ES索引配置，包含指定向量字段embedding和文档内容字段content。 重要 创建ES索引时，系统会删除已有同名索引。为避免误删同名索引，请更改代码中的索引名称。 通过helpers.async_bulk函数将向量化结果批量写入ES索引。
   在线问答处理	负责处理用户在线查询，包含生成查询向量、查询分析、检索相关文档切片、排序检索结果以及根据检索结果生成回答。	使用主函数query_pipeline_execute完成以下流程，对用户查询进行处理并输出回答。 query向量化，服务调用请参见文本向量化API。 调用文本稠密向量表示接口，将用户的查询转换为向量。 通过text_embedding函数生成查询向量。 调用查询分析服务，请参见查询分析API。 调用查询分析接口，通过分析历史消息识别用户提问意图及生成相似问题。 搜索embedding切片，服务调用请参见使用Elasticsearch的向量近邻检索（kNN）功能。 使用ES检索索引中与查询向量相近的文档切片。 通过AsyncElasticsearch的search接口，结合KNN查询进行相似度检索。 调用排序服务，请参见排序API。 调用排序服务接口，对检索到的相关切片打分排序。 通过documents_ranking函数，根据用户查询对文档内容打分排序。 调用大模型生成答案，服务调用请参见答案生成API。 调用大模型服务，使用检索结果和用户查询通过llm_call函数生成最终答案。

   分别选择代码查询下的文档处理流程和在线问答流程，单击复制代码或者下载文件，将代码下载到本地。

步骤二：本地环境适配和测试RAG开发链路

将代码分别下载到本地的两个文件后，例如online.py和offline.py，需要配置代码中的关键参数。

类别	参数	说明
AI搜索开放平台	api_key	API调用密钥，获取方式请参见管理API Key。
	aisearch_endpoint	API调用地址，获取方式请参见获取服务接入地址。 说明 注意需要去掉“http://”。 支持通过公网和VPC两种方式调用API。
	workspace_name	AI搜索开放平台
	service_id	服务ID，为操作方便，可以分别在离线文档处理（offline.py）和在线问答处理代码（online.py）中，通过service_id_config配置各项服务以及ID。
ES搜索引擎	es_host	Elasticsearch（ES）实例访问地址，通过公网或私网访问阿里云ES实例时，需要先将待访问设备的IP地址加入实例的访问白名单中，详情参见配置实例公网或私网访问白名单。
	es_auth	访问Elasticsearch实例时的账号和密码，账号为elastic，密码为您创建实例时设置的密码。如果忘记密码可重置，具体操作请参见重置实例访问密码。
其他参数	如使用示例数据则无需修改

完成参数配置后即可在Python 3.7及以上版本环境中，先后运行offline.py离线文档处理文件和online.py在线问答处理文件测试运行结果是否正确。

如知识库文档为AI搜索开放平台介绍，对文档提问：AI搜索开放平台可以做什么？

运行结果如下：

• 离线文档处理结果

  

• 在线问答处理结果

  

• 查看源码文件

  offline.py

  # RAG离线链路-ElasticSearch引擎
  
  # 环境需求：
  # Python版本：3.7及以上
  # ES集群版本：8.9及以上：如果是阿里云ES需要提前开通并设置访问ip白名单 https://www.alibabacloud.com/help/zh/es/user-guide/configure-a-public-or-private-ip-address-whitelist-for-an-elasticsearch-cluster
  
  # 包需求：
  # pip install alibabacloud_searchplat20240529
  # pip install elasticsearch
  
  # AI搜索开放平台配置
  aisearch_endpoint = "xxx.platform-cn-shanghai.opensearch.aliyuncs.com"
  api_key = "OS-xxx"
  workspace_name = "default"
  service_id_config = {"extract": "ops-document-analyze-001",
                       "split": "ops-document-split-001",
                       "text_embedding": "ops-text-embedding-001",
                       "text_sparse_embedding": "ops-text-sparse-embedding-001",
                       "image_analyze": "ops-image-analyze-ocr-001"}
  
  # ES配置
  es_host = 'http://es-cn-xxx.public.elasticsearch.aliyuncs.com:9200'
  es_auth = ('elastic', 'xxx')
  
  
  # 输入文档url,示例文档为AI搜索开放平台产品说明文档
  document_url = "https://www.alibabacloud.com/help/zh/open-search/search-platform/product-overview/introduction-to-search-platform?spm=a2c4g.11186623.0.0.7ab93526WDzQ8z"
  
  import asyncio
  from typing import List
  from elasticsearch import AsyncElasticsearch
  from elasticsearch import helpers
  from alibabacloud_tea_openapi.models import Config
  from alibabacloud_searchplat20240529.client import Client
  from alibabacloud_searchplat20240529.models import GetDocumentSplitRequest, CreateDocumentAnalyzeTaskRequest, \
      CreateDocumentAnalyzeTaskRequestDocument, GetDocumentAnalyzeTaskStatusRequest, \
      GetDocumentSplitRequestDocument, GetTextEmbeddingRequest, GetTextEmbeddingResponseBodyResultEmbeddings, \
      GetTextSparseEmbeddingRequest, GetTextSparseEmbeddingResponseBodyResultSparseEmbeddings, \
      CreateImageAnalyzeTaskRequestDocument, CreateImageAnalyzeTaskRequest, CreateImageAnalyzeTaskResponse, \
      GetImageAnalyzeTaskStatusRequest, GetImageAnalyzeTaskStatusResponse
  
  
  async def poll_task_result(ops_client, task_id, service_id, interval=5):
      while True:
          request = GetDocumentAnalyzeTaskStatusRequest(task_id=task_id)
          response = await ops_client.get_document_analyze_task_status_async(workspace_name, service_id, request)
          status = response.body.result.status
          if status == "PENDING":
              await asyncio.sleep(interval)
          elif status == "SUCCESS":
              return response
          else:
              raise Exception("document analyze task failed")
  
  
  def is_analyzable_url(url:str):
      if not url:
          return False
      image_extensions = {'.jpg', '.jpeg', '.png', '.bmp', '.tiff'}
      return url.lower().endswith(tuple(image_extensions))
  
  
  async def image_analyze(ops_client, url):
      try:
          print("image analyze :" + url)
          if url.startswith("//"):
              url = "https:" + url
          if not is_analyzable_url(url):
              print(url + " is not analyzable.")
              return url
          image_analyze_service_id = service_id_config["image_analyze"]
          document = CreateImageAnalyzeTaskRequestDocument(
              url=url,
          )
          request = CreateImageAnalyzeTaskRequest(document=document)
          response: CreateImageAnalyzeTaskResponse = ops_client.create_image_analyze_task(workspace_name, image_analyze_service_id, request)
          task_id = response.body.result.task_id
          while True:
              request = GetImageAnalyzeTaskStatusRequest(task_id=task_id)
              response: GetImageAnalyzeTaskStatusResponse = ops_client.get_image_analyze_task_status(workspace_name, image_analyze_service_id, request)
              status = response.body.result.status
              if status == "PENDING":
                  await asyncio.sleep(5)
              elif status == "SUCCESS":
                  return url + response.body.result.data.content
              else:
                  print("image analyze error: " + response.body.result.error)
                  return url
      except Exception as e:
          print(f"image analyze Exception : {e}")
  
  
  def chunk_list(lst, chunk_size):
      for i in range(0, len(lst), chunk_size):
          yield lst[i:i + chunk_size]
  
  
  async def write_to_es(doc_list):
      es = AsyncElasticsearch(
          [es_host],
          basic_auth=es_auth,
          verify_certs=False,  # 不使用SSL证书校验
          request_timeout=30,
          max_retries=10,
          retry_on_timeout=True
      )
      index_name = 'dense_vertex_index'
  
      # 删除已有索引
      if await es.indices.exists(index=index_name):
          await es.indices.delete(index=index_name)
  
      # 创建向量索引, 指定embedding字段为dense_vector, content字段为text, source字段为keyword
      index_mappings = {
          "mappings": {
              "properties": {
                  "emb": {
                      "type": "dense_vector",
                      "index": True,
                      "similarity": "cosine",
                      "dims": 1536  # 根据embedding模型输出维度修改
                  },
                  "content": {
                      "type": "text"
                  },
                  "source_doc": {
                      "type": "keyword"
                  }
              }
          }
      }
      await es.indices.create(index=index_name, body=index_mappings)
  
      # 上传embedding结果到上一步创建好的索引
      actions = []
      for i, doc in enumerate(doc_list):
          action = {
              "_index": index_name,
              "_id": doc['id'],
              "_source": {
                  "emb": doc['embedding'],
                  "content": doc['content'],
                  "source_doc": document_url
              }
          }
          actions.append(action)
  
      try:
          await helpers.async_bulk(es, actions)
      except Exception as e:
          for error in e.errors:
              print(error)
  
      # 确认上传成功
      await asyncio.sleep(2)
      query = {
          "query": {
              "ids": {
                  "values": [doc_list[0]["id"]]
              }
          }
      }
      res = await es.search(index=index_name, body=query)
      if len(res['hits']['hits']) > 0:
          print("ES write success")
      await es.close()
  
  
  async def document_pipeline_execute(document_url: str = None, document_base64: str = None, file_name: str = None):
  
      # 生成opensearch开发平台client
      config = Config(bearer_token=api_key, endpoint=aisearch_endpoint, protocol="http")
      ops_client = Client(config=config)
  
      # Step 1: 文档解析
      document_analyze_request = CreateDocumentAnalyzeTaskRequest(
          document=CreateDocumentAnalyzeTaskRequestDocument(url=document_url, content=document_base64,
                                                            file_name=file_name, file_type='html'))
      document_analyze_response = await ops_client.create_document_analyze_task_async(workspace_name=workspace_name,
                                                                                      service_id=service_id_config[
                                                                                          "extract"],
                                                                                      request=document_analyze_request)
      print("document-analyze task_id:" + document_analyze_response.body.result.task_id)
      extraction_result = await poll_task_result(ops_client, document_analyze_response.body.result.task_id,
                                                 service_id_config["extract"])
      print("document-analyze done")
      document_content = extraction_result.body.result.data.content
      content_type = extraction_result.body.result.data.content_type
      # Step 2: 文档切片
      document_split_request = GetDocumentSplitRequest(
          GetDocumentSplitRequestDocument(content=document_content, content_type=content_type))
      document_split_result = await ops_client.get_document_split_async(workspace_name, service_id_config["split"],
                                                                        document_split_request)
      print("document-split done, chunks count: " + str(len(document_split_result.body.result.chunks))
            + " rich text count:" + str(len(document_split_result.body.result.rich_texts)))
  
      # Step 3: 文本向量化
      # 提取切片结果。图片切片会通过图片解析服务提取出文本内容
      doc_list = ([{"id": chunk.meta.get("id"), "content": chunk.content} for chunk in
                   document_split_result.body.result.chunks]
                  + [{"id": chunk.meta.get("id"), "content": chunk.content} for chunk in
                     document_split_result.body.result.rich_texts if chunk.meta.get("type") != "image"]
                  + [{"id": chunk.meta.get("id"), "content": await image_analyze(ops_client, chunk.content)} for chunk in
                     document_split_result.body.result.rich_texts if chunk.meta.get("type") == "image"]
                  )
  
      chunk_size = 32  # 一次最多允许计算32个embedding
      all_text_embeddings: List[GetTextEmbeddingResponseBodyResultEmbeddings] = []
      for chunk in chunk_list([text["content"] for text in doc_list], chunk_size):
          response = await ops_client.get_text_embedding_async(workspace_name, service_id_config["text_embedding"],
                                                               GetTextEmbeddingRequest(chunk))
          all_text_embeddings.extend(response.body.result.embeddings)
  
      all_text_sparse_embeddings: List[GetTextSparseEmbeddingResponseBodyResultSparseEmbeddings] = []
      for chunk in chunk_list([text["content"] for text in doc_list], chunk_size):
          response = await ops_client.get_text_sparse_embedding_async(workspace_name,
                                                                      service_id_config["text_sparse_embedding"],
                                                                      GetTextSparseEmbeddingRequest(chunk,
                                                                                                    input_type="document",
                                                                                                    return_token=True))
          all_text_sparse_embeddings.extend(response.body.result.sparse_embeddings)
  
      for i in range(len(doc_list)):
          doc_list[i]["embedding"] = all_text_embeddings[i].embedding
          doc_list[i]["sparse_embedding"] = all_text_sparse_embeddings[i].embedding
  
      print("text-embedding done")
  
      # Step 4: 写入ElasticSearch存储引擎
      await write_to_es(doc_list)
  
  
  if __name__ == "__main__":
      # 运行异步任务
      #    import nest_asyncio # 如果在Jupyter notebook中运行，反注释这两行
      #    nest_asyncio.apply() # 如果在Jupyter notebook中运行，反注释这两行
      asyncio.run(document_pipeline_execute(document_url))
      # asyncio.run(document_pipeline_execute(document_base64="eHh4eHh4eHg...", file_name="attention.pdf")) #另外一种调用方式
  

  online.py

  # RAG在线链路-ElasticSearch引擎
  
  # 环境需求：
  # Python版本：3.7及以上
  # ES集群版本：8.9以上（如果是阿里云ES 需要提前开通并设置访问ip白名单 https://www.alibabacloud.com/help/zh/es/user-guide/configure-a-public-or-private-ip-address-whitelist-for-an-elasticsearch-cluster）
  
  # 包需求：
  # pip install alibabacloud_searchplat20240529
  # pip install elasticsearch
  
  # OpenSearch搜索开发工作台配置
  api_key = "OS-xxx"
  aisearch_endpoint = "xxx.platform-cn-shanghai.opensearch.aliyuncs.com"
  workspace_name = "default"
  service_id_config = {
      "rank": "ops-bge-reranker-larger",
      "text_embedding": "ops-text-embedding-001",
      "text_sparse_embedding": "ops-text-sparse-embedding-001",
      "llm": "ops-qwen-turbo",
      "query_analyze": "ops-query-analyze-001"
  
  }
  
  # ES配置
  es_host = 'http://es-cn-xxx.public.elasticsearch.aliyuncs.com:9200'
  es_auth = ('elastic', 'xxx')
  
  # 用户query:
  user_query = "OpenSearch搜索开发平台可以做什么？"
  
  
  import asyncio
  from elasticsearch import AsyncElasticsearch
  from alibabacloud_tea_openapi.models import Config
  from alibabacloud_searchplat20240529.client import Client
  from alibabacloud_searchplat20240529.models import GetTextEmbeddingRequest,  \
      GetDocumentRankRequest, GetTextGenerationRequest, GetTextGenerationRequestMessages, \
      GetQueryAnalysisRequest
  
  # 生成opensearch开发平台client
  config = Config(bearer_token=api_key, endpoint=aisearch_endpoint, protocol="http")
  ops_client = Client(config=config)
  
  
  async def es_retrieve(query):
      es = AsyncElasticsearch(
          [es_host],
          basic_auth=es_auth,
          verify_certs=False,
          request_timeout=30,
          max_retries=10,
          retry_on_timeout=True
      )
      index_name = 'dense_vertex_index'
      # query向量化
      query_emb_result = await ops_client.get_text_embedding_async(workspace_name, service_id_config["text_embedding"],
                                                                   GetTextEmbeddingRequest(input=[query],
                                                                                           input_type="query"))
      query_emb = query_emb_result.body.result.embeddings[0].embedding
      query = {
          "field": "emb",
          "query_vector": query_emb,
          "k": 5,  # 返回文档切片数量
          "num_candidates": 100  # HNSW搜索参数efsearch
      }
  
      res = await es.search(index=index_name, knn=query)
      search_results = [item['_source']['content'] for item in res['hits']['hits']]
      await es.close()
      return search_results
  
  
  # 在线问答流水线，输入是用户问题
  async def query_pipeline_execute():
  
      # Step 1: query分析
      query_analyze_response = ops_client.get_query_analysis(workspace_name, service_id_config['query_analyze'],
                                                             GetQueryAnalysisRequest(query=user_query))
      print("query analysis rewrite result:" + query_analyze_response.body.result.query)
  
      # Step 2: 召回文档
      all_query_results = []
      user_query_results = await es_retrieve(user_query)
      all_query_results.extend(user_query_results)
      rewrite_query_results = await es_retrieve(query_analyze_response.body.result.query)
      all_query_results.extend(rewrite_query_results)
      for extend_query in query_analyze_response.body.result.queries:
          extend_query_result = await es_retrieve(extend_query)
          all_query_results.extend(extend_query_result)
      # 对所有召回结果进行去重
      remove_duplicate_results = list(set(all_query_results))
  
      # Step 3: 对召回文档进行重排序
      rerank_top_k = 8
      score_results = await ops_client.get_document_rank_async(workspace_name, service_id_config["rank"],GetDocumentRankRequest(remove_duplicate_results, user_query))
      rerank_results = [remove_duplicate_results[item.index] for item in score_results.body.result.scores[:rerank_top_k]]
  
      # Step 4: 调用大模型回答问题
      docs = '\n'.join([f"<article>{s}</article>" for s in rerank_results])
      messages = [
          GetTextGenerationRequestMessages(role="system", content="You are a helpful assistant."),
          GetTextGenerationRequestMessages(role="user",
                                           content=f"""已知信息包含多个独立文档，每个文档在<article>和</article>之间，已知信息如下：\n'''{docs}'''
                                           \n\n根据上述已知信息，详细且有条理地回答用户的问题。确保答案充分回答了问题并且正确使用了已知信息。如果信息不足以回答问题，请说“根据已知信息无法回答该问题”。
                                           不要使用不在已知信息中的内容生成答案，确保答案中每一个陈述在上述已知信息中有相应内容支撑。答案请使用中文。
                                           \n问题是：'''{user_query}'''""""")
      ]
      response = await ops_client.get_text_generation_async(workspace_name, service_id_config["llm"],
                                                            GetTextGenerationRequest(messages=messages))
      print("大模型最终回答： ", response.body.result.text)
  
  
  if __name__ == "__main__":
      #    import nest_asyncio # 如果在Jupyter notebook中运行，反注释这两行
      #    nest_asyncio.apply() # 如果在Jupyter notebook中运行，反注释这两行
      asyncio.run(query_pipeline_execute())
  

常见问题

代码运行期间，由于资源未及时释放可能出现Unclosed connector相关提示，无需处理。