[云上玩轉Qwen3系列之四]PAI-LangStudio x AI搜索開放平臺 x ElasticSearch: 構建AI Search RAG全棧應用

本文詳細介紹了如何使用 PAI-LangStudio 和 Qwen3 構建基于AI搜索開放平臺 x ElasticSearch 的 AI Search RAG 智能檢索應用。該應用通過使用 AI 搜索開放平臺、ElasticSearch 全文檢索+向量檢索引擎的混合檢索技術配合阿里云最新發布的 Qwen3 推理模型編排在一個 Agentic Workflow 中，為客戶提供了業內領先的 AI Search RAG 檢索應用能力，使用 NLP 自然語言即可實現 AI Search 的精準查詢可靠效果。開發者可以基于該模板進行靈活擴展和二次開發，以滿足特定場景的需求。

實踐背景

本文是基于 PAI-LangStudio x AI 搜索開放平臺 x ElasticSearch 來構建業內領先且功能強大的一站式 AI Search 智能混合檢索 RAG 智能應用方案。下面介紹如何完成場景實操：

前提條件

已創建專有網絡 VPC、交換機和安全組。具體操作請參見搭建IPv4專有網絡和創建安全組。
登錄 PAI 控制臺，在左側導航欄單擊工作空間列表(如無已有工作空間列表)。在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應工作空間內。如您尚未創建工作空間，請創建工作空間。
登錄AI搜索開放平臺，獲取 Endoint 和 API-Key。
登錄 Elasticsearch控制臺，創建 Elasticsearch 實例，并進行安全訪問配置（如可打開“使用HTTPS協議”選項以增強安全性）。

場景部署步驟

步驟一：在PAI-LangStudio中添加模型服務連接：

1. 通過 PAI控制臺 > 進入PAI-LangStudio > 連接 > 模型服務 > 新建連接：

2. 選擇 “AI搜索開放平臺 Embedding 模型服務”，并填入從AI搜索開放平臺獲取到的 Endpoint 和api_key，創建模型服務連接：

3. 創建好后，可以在列表頁看到剛剛創建的AI搜索開放平臺Embedding模型服務連接：

步驟二：在PAI-LangStudio中新建數據庫連接

在PAI-LangStudio中，選擇“連接” -> “數據庫” 標簽頁后，點擊“新建連接”：

2. 填入在Elasticsearch控制臺中查看到的Elasticsearch實例的地址和用戶名、密碼（注意如果Elasticsearch未開啟HTTPS連接，此處url需要填寫 http:// 頭）后，點擊確定：

此時在連接列表中可以看到剛剛添加的數據庫連接：

步驟三：新建PAI-LangStudio運行時相關信息

1. "運行時"設置確認。在PAI-LangStudio中選擇“運行時”標簽頁，點擊“新建運行時”，填入必要的信息如：運行時工作路徑（選擇OSSbucket中一個目錄）、專有網絡、安全組與交換機信息（需要跟Elasticsearch所在網絡暢通）后點擊“確定”：

2. 之后可以在運行時列表中看到該運行時。

步驟四：在PAI-LangStudio中創建知識庫

1. 在PAI-LangStudio中，選擇“知識庫”標簽頁，并點擊“新建知識庫”，選擇文檔所在OSS路徑作為“數據源OSS路徑”，并選擇一個“輸出OSS路徑”用來保存文檔解析處理中間結果和索引相關信息：

2. 選擇 “AI搜索開放平臺 Embedding 模型服務”標簽，并選擇步驟一中創建的模型服務連接后，可以選擇具體支持的Embedding模型（其中 001模型和 002模型維度不同，可用于不同場景選擇）；選擇步驟二中創建的向量數據庫連接，并填入一個向量數據庫索引名，選擇步驟5中創建的運行時后，點擊確定：

3. 之后可以在知識庫列表中看到剛剛創建的知識庫。點擊知識庫名稱后，可以查看知識庫概覽、文檔查看，以及進行召回測試：

4. 在“文檔”標簽頁，可以通過拖拽方式將本地文件上傳至OSS中：

5. 在文檔上傳后，點擊“更新索引”按鈕，在彈出的浮窗中選擇網絡和安全組資源配置后，點擊“確定”，即可開始進行知識庫索引的更新：

此時可以看到有一個索引創建的任務在運行中（也可以通過知識庫->操作記錄查看任務）：

等待幾分鐘后，索引構建完畢。此時刷新文檔標簽頁，可以看到文檔從“未索引”狀態變為“已索引”。點擊列表中的文檔名稱，可以看到該文檔的分塊情況，以及每個文檔塊的使能與否。通過點擊文檔分塊中的? 標記，也可以對該文檔塊進行enable/disable操作。當文檔分塊被disable后，進行召回時將忽略該文檔塊：

6. 在PAI-LangStudio的新版知識庫中，選擇“召回測試”標簽，輸入問題，設置檢索條件（建議score閾值在0.5-0.6之間）后，點擊“測試”，可以在右側看到召回結果：

步驟五：在應用流中使用RAG知識庫

1. 在PAI-LangStudio的“應用流”標簽點擊“新建應用流”，選擇“從模板新建” -> “RAG”模板，創建應用流：

之后自動跳轉至應用流界面：

2. 點擊“知識庫檢索”節點，配置檢索參數（選擇知識庫索引，設置filter）：

2. 點擊“大模型”節點，配置“模型設置”（選擇模型、配置參數、開啟/關閉思考）：

3. 點擊“運行”按鈕，輸入檢索問題后，可以工作流中的運行框獲取檢索信息：

由于ElasticSearch的混合檢索能力，檢索準確率大大提升。

步驟六：通過 PAI-LangStudio部署EAS模型服務，支持API調用知識庫能力

應用流開發調試完成后，單擊右上角的部署，根據需要選擇合適的機型以及專有網絡，注意EAS實例需要使用與應用流中其他服務實例相同的VPC，以保證安全和網絡連通。點擊確定 > 跳轉到PAI-EAS模型服務 查看部署任務。

場景方案價值 - ES + RAG Agent應用

在PAI- LangStudio 中, 使用AI搜索開放平臺提供原子化Embeding/Rerank模型能力和Elasticsearch向量數據庫，高效地處理大規模數據，結合大模型LLM分析能力，以快速構建一站式AI Search RAG增強搜索/混合檢索的全棧應用能力。將AI智能信息檢索與智能問答效率與準確率大大提升。

通過以上步驟，您可快速使用PAI-LangStudio構建基于 AI搜索開放平臺和Elasticsearch引擎優勢實現AI Search RAG應用，滿足專業知識庫場景AI Search需求。