首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >如何使用 Neuron ADK 为 PHP 创建 RAG 代理

如何使用 Neuron ADK 为 PHP 创建 RAG 代理

作者头像
Tinywan
发布于 2026-07-01 14:51:30
发布于 2026-07-01 14:51:30
2870
举报
文章被收录于专栏:开源技术小栈开源技术小栈

RAG 代理

老实说,当我第一次听到“RAG”这个词时,我感觉像是在面对一堵技术术语的墙。你可能已经听到了很多关于 AI 代理话题的流行词汇:向量数据库、嵌入、检索增强生成。

这些概念可能让人感到不知所措,特别是当每个教程都假设你已经理解了基础构建模块时。在花费了无数小时使用 Neuron ADK 构建代理之后,我学到真正的挑战不是实现——而是理解这些系统到底在做什么以及为什么重要。

让我从揭开 RAG 真正代表什么以及为什么它成为现代 AI 代理开发基石开始。

理解基础:RAG 真正意味着什么

检索增强生成(Retrieval Augmented Generation)分解为三个关键组件,它们协同工作来解决 AI 中的一个基本问题:如何让语言模型访问特定、最新或专有信息,而这些信息并未包含在它们的原始训练数据中?

RAG 缩写中的“G”部分很简单——我们谈论的是像 GPT、Claude、Gemini 或任何大型语言模型这样的“生成”AI 模型,这些模型能够生成类人文本响应。这些模型非常强大,但它们有一个重大限制:它们只知道训练时学到的内容,并且知识有截止日期。它们无法访问你公司的内部文档、你的个人笔记或数据库中的实时信息。

这就是“检索增强”部分变得变革性的地方。我们不是仅仅依赖模型的预训练知识,而是通过在生成时刻从外部来源检索相关信息来增强其能力。想象成给你的 AI 代理配备一个研究助手,这个助手可以在回答任何问题之前立即找到并呈现相关上下文。

下面你可以看到这个过程应该如何工作的示例:

嵌入和向量空间背后的魔法

要理解检索在实践中是如何工作的,我们需要深入探讨嵌入——一个最初看似抽象但一旦看到实际操作就会变得直观的的概念。嵌入本质上是将文本、图像或任何数据转换为一个称为向量的数字列表的数学表示。使其强大的原因是相似概念最终会产生相似的向量,从而创建一个数学空间,在其中相关想法会聚在一起。

当我第一次开始使用 Neuron AI 工作时,我对这种实际工作方式感到惊奇。想象你有成千上万的文档——客户支持票据、产品手册、内部维基、研究论文。传统的关键词搜索需要精确匹配或巧妙的布尔逻辑来找到相关信息。但使用嵌入,你可以提出像“如何排查连接问题?”这样的问题,系统会找到关于网络问题、身份验证失败和服务器超时等文档,即使这些文档从未使用“连接问题”这个确切短语。

这个过程通过将你的问题和所有文档转换为这些数学向量来实现。然后系统计算文档向量与你的问题向量在这个多维空间中的接近程度。这就像拥有一位理解你请求含义和上下文的图书管理员,而不是仅仅根据你使用的字面词。

你可以在下面的文章中深入了解这项技术。

向量数据库:你的代理所需的内存系统

这就引出了向量数据库,它们作为你的 RAG 代理的内存系统。传统数据库非常适合结构化数据——姓名、日期、类别、交易。但它们在概念和想法之间的细微关系上表现不佳。向量数据库专门设计用于存储这些嵌入向量,并对数百万文档执行闪电般的相似性搜索。

在我使用 Neuron ADK 开发的过程中,我看到向量数据库如何转变用户体验。代理不再给出通用响应或声称没有访问特定信息,而是能够立即访问并从整个知识库中合成信息。代理不仅仅了解一般主题——它了解你的特定产品、公司的政策、客户的历史和你独特的企业背景。

RAG 实现的挑战

对 RAG 的概念理解是一回事,实际构建一个工作系统是另一个完全不同的挑战。这就是复杂性真正出现的地方,也是为什么 Neuron 对进入这一领域的 PHP 开发者来说是一个宝贵工具的原因。

生态系统涉及多个动态部分:你需要有效地分块文档、使用适当的模型生成嵌入、在向量数据库中存储和索引这些嵌入、实现语义搜索功能,然后无缝协调检索和生成过程。

每一步都涉及可能显著影响代理性能的技术决策。你如何将长文档分割成有意义的块?哪个嵌入模型最适合你的领域?你如何处理知识库的更新?你如何平衡检索准确性和响应速度?当你构建需要扩展和可靠运行的生产系统时,这些问题变得更加紧迫。

与 Neuron 合作教会我,成功的 RAG 实现不仅仅是理解各个组件——而是将它们编排成一个连贯的系统,让用户感到自然和智能。Neuron 框架处理了许多复杂的集成挑战,让开发者能够专注于业务逻辑和用户体验,而不是底层基础设施。

在接下来的详细实现指南中,我们将探讨 Neuron AI 如何简化这种复杂的编排,为 PHP 开发者提供使 RAG 代理开发既易于访问又强大的工具和模式。

安装 Neuron AI

使用下面的 composer 命令安装最新版本:

代码语言:javascript
复制
composer require neuron-core/neuron-ai

实现第一个 RAG 代理

要创建你的 RAG 代理,你必须扩展 NeuronAI\RAG\RAG 类,并附加所需组件,如向量存储和嵌入提供者以及 AI 提供者。

这是一个 RAG 类的示例:

代码语言:javascript
复制
<?php

namespaceApp\Neuron;

useNeuronAI\Providers\AIProviderInterface;
useNeuronAI\Providers\Anthropic\Anthropic;
useNeuronAI\RAG\Embeddings\EmbeddingsProviderInterface;
useNeuronAI\RAG\Embeddings\OpenAIEmbeddingProvider;
useNeuronAI\RAG\RAG;
useNeuronAI\RAG\VectorStore\FileVectoreStore;
useNeuronAI\RAG\VectorStore\VectorStoreInterface;

class MyChatBot extends RAG
{
    protectedfunction provider(): AIProviderInterface
    {
         new Anthropic(
            key: 'ANTHROPIC_API_KEY',
            model: 'ANTHROPIC_MODEL',
        );
    }
    
    protectedfunction embeddings(): EmbeddingsProviderInterface
    {
         new OpenAIEmbeddingProvider(
            key: 'OPENAI_API_KEY',
            model: 'OPENAI_MODEL'
        );
    }
    
    protectedfunction vectorStore(): VectorStoreInterface
    {
         new FileVectoreStore(
            directory: __DIR__,
            key: 'demo'
        );
    }
}

在上面的示例中,我们为代理提供了连接:

  • LLM(在此情况下为 Anthropic)
  • 嵌入提供者 – 能够将文本转换为向量嵌入的服务
  • 向量存储以持久化生成的嵌入并执行文档检索

你对每个组件都有很多选择,所以请随意探索文档以选择你喜欢的组件:https://docs.neuron-ai.dev/components/ai-provider

用知识库填充你的 RAG

此时,我们 RAG 代理背后的向量存储是空的。如果我们向代理发送一个提示,它将只能利用底层 LLM 的训练数据进行响应。

代码语言:javascript
复制
use NeuronAI\Chat\Messages\UserMessage;

$response = MyChatBot::make()
    ->chat(
        new UserMessage('What size is the door handle on our top car model?')
    );
    
echo $response->getContent();

// I don't really know specifically about your top car model. Do you want to provide me with additional information?

我们需要用一些知识填充 RAG,使其能够回答关于其默认训练数据之外的私有信息的问题。

Neuron AI 数据加载器

要构建一个结构化的 AI 应用程序,你需要将所有信息转换为文本,以便生成嵌入,将它们保存到向量存储中,然后将代理喂入以回答用户的问题。

Neuron 为你提供了几个工具(数据加载器)来简化这个过程。为了回答之前的问题(如何使用 Neuron ADK 创建 AI 代理?),我们可以将 README.md 文件(Neuron composer 包的)喂入 rag。

代码语言:javascript
复制
use NeuronAI\RAG\DataLoader\FileDataLoader;

MyChatBot::make()->addDocuments(
    // 使用文件数据加载器组件处理文本文件
    FileDataLoader::for(__DIR__.'/README.md')->getDocuments()
);

使用 Neuron ADK,你可以创建数据加载管道,受益于统一的接口来促进组件之间的交互,如嵌入提供者、向量存储和文件阅读器。

上面的代码必须在单独的命令中实现并执行,以使你的聊天机器人能够回答关于 Neuron AI 的问题。你可以加载文本文件、PDF、数据库中的简单字符串和其他来源。探索文档中的专用部分:https://docs.neuron-ai.dev/components/data-loader

在将数据加载到 RAG 代理后,我们现在可以再次发送我们的问题:

代码语言:javascript
复制
use NeuronAI\Chat\Messages\UserMessage;

$response = MyChatBot::make()
    ->chat(
        new UserMessage('How can I create an agent with Neuron AI ADK?.')
    );
    
echo $response->getContent();

// Neuron is an ADK that simplifies the development of AI Agents in PHP. 
// Here is an example of how to implement an AI Agent using Neuron components...

监控和调试

将 AI 代理集成到你的应用程序中,你不仅仅是在处理函数和确定性代码,你还在编程代理,影响概率分布。相同的输入 ≠ 输出。这意味着可重复性、版本控制和调试成为真正的问题。

你使用 NeuronAI 构建的许多代理将包含多个步骤,包括多次调用 LLM、使用工具、访问外部内存等。随着这些应用程序变得越来越复杂,能够检查你的代理到底在做什么以及为什么变得至关重要。

为什么模型会做出某些决定?模型对什么数据做出反应?提示不是常规意义上的编程。没有静态类型,小变化会破坏输出,长提示会增加延迟,并且没有两个模型对相同提示的行为完全相同。

Inspector 团队设计 NeuronAI 时内置了可观察性功能,这样你就可以监控正在运行的 AI 代理,帮助你自信地维护生产级实现。

向前迈进:从理论到实践

协调嵌入、向量数据库和语言模型的复杂性可能看起来有点令人生畏,但记住,每一个专家曾经都是一个与这些相同概念作斗争的初学者。

下一步是深入研究使用 Neuron AI ADK for PHP 的实际实现。该框架专门设计来弥合 RAG 理论与生产就绪代理之间的差距,处理复杂的集成,同时为你提供灵活性,以定制特定用例的行为。从今天开始构建你的第一个 RAG 代理,并发现强大的上下文感知 AI 如何转变你的应用程序。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2026-02-19,如有侵权请联系 cloudcommunity@tencent.com 删除
目录
  • RAG 代理
  • 理解基础:RAG 真正意味着什么
  • 嵌入和向量空间背后的魔法
  • 向量数据库:你的代理所需的内存系统
  • RAG 实现的挑战
  • 安装 Neuron AI
  • 实现第一个 RAG 代理
  • 用知识库填充你的 RAG
  • Neuron AI 数据加载器
  • 监控和调试
  • 向前迈进:从理论到实践
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档