在这篇博客中，我们将探讨如何使用 Ent、Atlas 与 pgvector 构建一个 RAG（Retrieval Augmented Generation）系统。
RAG 是一种将检索步骤加入到生成模型的技术。它并不单靠模型内部知识，而是从外部来源检索相关文档或数据，并利用这些信息生成更精准、更具上下文感知的回复。此方法在构建问答系统、聊天机器人以及任何需要实时或领域特定知识的场景中尤为有用。
设置 Ent 模型
首先，让我们通过初始化 Go 模块来开始教程：
go mod init github.com/rotemtam/entrag # 你可以将模块路径替换为自己的
在本项目中，我们将使用 Ent，一个 Go 的实体框架，来定义我们的数据库模式。数据库将存储我们想要检索的文档（按固定大小分块）以及每个块的向量表示。通过运行下面的命令来初始化 Ent 项目：
go run -mod=mod entgo.io/ent/cmd/ent new Embedding Chunk
此命令为我们的数据模型创建占位符。项目结构应该如下所示：
├── ent
│ ├── generate.go
│ └── schema
│ ├── chunk.go
│ └── embedding.go
├── go.mod
└── go.sum
接下来，让我们定义 Chunk 模型的模式。打开 ent/schema/chunk.go 文件并按下面的方式定义：
package schema
import (
"entgo.io/ent"
"entgo.io/ent/schema/edge"
"entgo.io/ent/schema/field"
)
// Chunk 代表 Chunk 实体的模式定义。
type Chunk struct {
ent.Schema
}
// Chunk 的字段。
func (Chunk) Fields() []ent.Field {
return []ent.Field{
field.String("path"),
field.Int("nchunk"),
field.Text("data"),
}
}
// Chunk 的边。
func (Chunk) Edges() []ent.Edge {
return []ent.Edge{
edge.To("embedding", Embedding.Type).StorageKey(edge.Column("chunk_id")).Unique(),
}
}
此模式定义了一个包含 path、nchunk 和 data 三个字段的 Chunk 实体。path 字段存储文档路径，nchunk 存储块编号，data 存储分块文本数据。我们还为 Embedding 实体定义了一个关联边，用于存储块的向量表示。
在继续之前，请安装 pgvector 包。pgvector 是 PostgreSQL 的一个扩展，提供向量操作和相似度搜索支持。我们需要它来存储和检索块的向量表示。
go get github.com/pgvector/pgvector-go
接下来，定义 Embedding 模型的模式。打开 ent/schema/embedding.go 并按如下方式定义：
package schema
import (
"entgo.io/ent"
"entgo.io/ent/dialect"
"entgo.io/ent/dialect/entsql"
"entgo.io/ent/schema/edge"
"entgo.io/ent/schema/field"
"entgo.io/ent/schema/index"
"github.com/pgvector/pgvector-go"
)
// Embedding 代表 Embedding 实体的模式定义。
type Embedding struct {
ent.Schema
}
// Embedding 的字段。
func (Embedding) Fields() []ent.Field {
return []ent.Field{
field.Other("embedding", pgvector.Vector{}).
SchemaType(map[string]string{
dialect.Postgres: "vector(1536)",
}),
}
}
// Embedding 的边。
func (Embedding) Edges() []ent.Edge {
return []ent.Edge{
edge.From("chunk", Chunk.Type).Ref("embedding").Unique().Required(),
}
}
func (Embedding) Indexes() []ent.Index {
return []ent.Index{
index.Fields("embedding").
Annotations(
entsql.IndexType("hnsw"),
entsql.OpClass("vector_l2_ops"),
),
}
}
该模式定义了一个仅包含单个字段 embedding（类型为 pgvector.Vector）的 Embedding 实体。embedding 字段存储块的向量表示。我们同样为 Chunk 实体定义了边，并在 embedding 字段上创建了使用 hnsw 索引类型和 vector_l2_ops 操作类的索引，从而能够高效执行向量相似度搜索。
最后，通过执行以下命令生成 Ent 代码：
go mod tidy
go generate ./...
Ent 将根据模式定义生成所需的代码。
配置数据库
接下来，设置 PostgreSQL 数据库。我们将使用 Docker 在本地运行 PostgreSQL 实例。由于我们需要 pgvector 扩展，我们将使用带有预装扩展的 pgvector/pgvector:pg17 Docker 镜像。
docker run --rm --name postgres -e POSTGRES_PASSWORD=pass -p 5432:5432 -d pgvector/pgvector:pg17
我们将使用 Atlas，一个与 Ent 集成的数据库 schema‑as‑code 工具，用来管理数据库模式。通过以下命令安装 Atlas：
curl -sSfL https://atlasgo.io/install.sh | sh
其他安装选项请参阅 Atlas 安装文档。
由于我们需要管理扩展，请确保拥有 Atlas Pro 账户。你可以运行以下命令免费试用：
atlas login
如果你想跳过 Atlas，可以使用 此文件 中的语句直接将所需模式应用到数据库
现在，创建基础配置 base.pg.hcl，为公共 schema 提供向量扩展：
schema "public" {
}
extension "vector" {
schema = schema.public
}
接下来，创建 Atlas 配置文件，它将组合 base.pg.hcl 与 Ent 模式：
data "composite_schema" "schema" {
schema {
url = "file://base.pg.hcl"
}
schema "public" {
url = "ent://ent/schema"
}
}
env "local" {
url = getenv("DB_URL")
schema {
src = data.composite_schema.schema.url
}
dev = "docker://pgvector/pg17/dev"
}
此配置定义了一个包含 base.pg.hcl 与 Ent 模式的复合 schema，并为本地开发定义了名为 local 的环境，使用 dev 字段指定开发数据库 URL，供 Atlas 归一化 schema 并进行各种计算。
接下来，执行以下命令将 schema 应用到数据库：
export DB_URL='postgresql://postgres:pass@localhost:5432/postgres?sslmode=disable'
atlas schema apply --env local
Atlas 将根据我们的配置加载目标状态，与数据库当前状态进行比较，并生成迁移计划以使数据库达到期望状态：
Planning migration statements (5 in total):
-- create extension "vector":
-> CREATE EXTENSION "vector" WITH SCHEMA "public" VERSION "0.8.0";
-- create "chunks" table:
-> CREATE TABLE "public"."chunks" (
"id" bigint NOT NULL GENERATED BY DEFAULT AS IDENTITY,
"path" character varying NOT NULL,
"nchunk" bigint NOT NULL,
"data" text NOT NULL,
PRIMARY KEY ("id")
);
-- create "embeddings" table:
-> CREATE TABLE "public"."embeddings" (
"id" bigint NOT NULL GENERATED BY DEFAULT AS IDENTITY,
"embedding" public.vector(1536) NOT NULL,
"chunk_id" bigint NOT NULL,
PRIMARY KEY ("id"),
CONSTRAINT "embeddings_chunks_embedding" FOREIGN KEY ("chunk_id") REFERENCES "public"."chunks" ("id") ON UPDATE NO ACTION ON DELETE NO ACTION
);
-- create index "embedding_embedding" to table: "embeddings":
-> CREATE INDEX "embedding_embedding" ON "public"."embeddings" USING hnsw ("embedding" vector_l2_ops);
-- create index "embeddings_chunk_id_key" to table: "embeddings":
-> CREATE UNIQUE INDEX "embeddings_chunk_id_key" ON "public"."embeddings" ("chunk_id");
-------------------------------------------
Analyzing planned statements (5 in total):
-- non-optimal columns alignment:
-- L4: Table "chunks" has 8 redundant bytes of padding per row. To reduce disk space,
the optimal order of the columns is as follows: "id", "nchunk", "path",
"data" https://atlasgo.io/lint/analyzers#PG110
-- ok (370.25µs)
-------------------------
-- 114.306667ms
-- 5 schema changes
-- 1 diagnostic
-------------------------------------------
? Approve or abort the plan:
▸ Approve and apply
Abort
Atlas 在计划变更的同时也会提供诊断信息和优化建议。在这个例子中，它建议重新排序 chunks 表中的列以降低磁盘空间占用。由于本教程并不关注磁盘空间，我们可以直接选择 Approve and apply。
最后，我们可以再次执行 atlas schema apply 来验证 schema 是否成功应用。Atlas 将输出：
Schema is synced, no changes to be made
Scaffold CLI
现在数据库 schema 已经就绪，为了让 CLI 应用更方便，使用 alecthomas/kong 库构建一个小型工具，能够加载、索引和查询数据库中的文档。
首先，安装 kong 库：
go get github.com/alecthomas/kong
接着，在 cmd/entrag/main.go 中定义 CLI 应用：
package main
import (
"fmt"
"os"
"github.com/alecthomas/kong"
)
// CLI 表示全局选项和子命令。
type CLI struct {
// DBURL 通过 环境变量 DB_URL 读取。
DBURL string `kong:"env='DB_URL',help='Database URL for the application.'"`
OpenAIKey string `kong:"env='OPENAI_KEY',help='OpenAI API key for the application.'"`
// 子命令
Load *LoadCmd `kong:"cmd,help='Load command that accepts a path.'"`
Index *IndexCmd `kong:"cmd,help='Create embeddings for any chunks that do not have one.'"`
Ask *AskCmd `kong:"cmd,help='Ask a question about the indexed documents'"`
}
func main() {
var cli CLI
app := kong.Parse(&cli,
kong.Name("entrag"),
kong.Description("Ask questions about markdown files."),
kong.UsageOnError(),
)
if err := app.Run(&cli); err != nil {
fmt.Fprintf(os.Stderr, "错误: %s\n", err)
os.Exit(1)
}
}
在 cmd/entrag/rag.go 中再创建一个文件并添加以下内容：
package main
type (
// LoadCmd 用于将 Markdown 文件加载到数据库中。
LoadCmd struct {
Path string `help:"path to dir with markdown files" type:"existingdir" required:""`
}
// IndexCmd 用于在数据库中创建嵌入索引。
IndexCmd struct {
}
// AskCmd 是另一个叶子命令。
AskCmd struct {
// Text 是 ask 命令的位置参数。
Text string `kong:"arg,required,help='Text for the ask command.'"`
}
)
验证 scaffold 的 CLI 是否工作，在终端运行：
go run ./cmd/entrag --help
若一切正常，你应该能看到下面的帮助输出：
Usage: entrag <command> [flags]
Ask questions about markdown files.
Flags:
-h, --help Show context-sensitive help.
--dburl=STRING Database URL for the application ($DB_URL).
--open-ai-key=STRING OpenAI API key for the application ($OPENAI_KEY).
Commands:
load --path=STRING [flags]
Load command that accepts a path.
index [flags]
Create embeddings for any chunks that do not have one.
ask <text> [flags]
Ask a question about the indexed documents
Run "entrag <command> --help" for more information on a command.
将文档加载到数据库
接下来，需要一些 Markdown 文件以供加载。创建一个名为 data 的文件夹，并添加若干 Markdown 文件。示例中我们使用 ent/ent 仓库的 docs 目录作为 Markdown 源。
现在实现 LoadCmd 的 Run 方法以将 Markdown 文件加载到数据库。打开 cmd/entrag/rag.go 并添加以下代码：
const (
tokenEncoding = "cl100k_base"
chunkSize = 1000
)
// Run 是当执行“load”命令时调用的方法。
func (cmd *LoadCmd) Run(ctx *CLI) error {
client, err := ctx.entClient()
if err != nil {
return fmt.Errorf("连接 PostgreSQL 失败: %w", err)
}
tokTotal := 0
return filepath.WalkDir(ctx.Load.Path, func(path string, d fs.DirEntry, err error) error {
if filepath.Ext(path) == ".mdx" || filepath.Ext(path) == ".md" {
chunks := breakToChunks(path)
for i, chunk := range chunks {
tokTotal += len(chunk)
client.Chunk.Create().
SetData(chunk).
SetPath(path).
SetNchunk(i).
SaveX(context.Background())
}
}
return nil
})
}
func (c *CLI) entClient() (*ent.Client, error) {
return ent.Open("postgres", c.DBURL)
}
此代码定义了 LoadCmd 的 Run 方法。该方法读取指定路径下的 Markdown 文件，将其拆分为 1000 个 token 的块，并将每块保存到数据库。我们使用 entClient 方法创建一个新的 Ent 客户端，使用 CLI 选项中指定的数据库 URL。
breakToChunks 的实现见 entrag 仓库。
随后，运行：
go run ./cmd/entrag load --path=data
命令完成后，数据库中应已加载块。可使用以下命令验证：
docker exec -it postgres psql -U postgres -d postgres -c "SELECT COUNT(*) FROM chunks;"
结果类似：
count
-------
276
(1 row)
创建 Embedding
现在我们已将文档加载到数据库，需要为每个块创建 Embedding。我们将使用 OpenAI API 生成每个块的 Embedding。首先安装 openai 包：
go get github.com/sashabaranov/go-openai
若你没有 OpenAI API Key，可在 OpenAI 平台 注册并生成一个 API Key。随后将其保存到环境变量 OPENAI_KEY：
export OPENAI_KEY=<your OpenAI API key>
然后实现 IndexCmd 的 Run 方法，以为缺失 Embedding 的块生成 Embedding 并保存到数据库。打开 cmd/entrag/rag.go 并添加：
// Run 是当执行“index”命令时调用的方法。
func (cmd *IndexCmd) Run(cli *CLI) error {
client, err := cli.entClient()
if err != nil {
return fmt.Errorf("连接 PostgreSQL 失败: %w", err)
}
ctx := context.Background()
chunks := client.Chunk.Query().
Where(
chunk.Not(
chunk.HasEmbedding(),
),
).
Order(ent.Asc(chunk.FieldID)).
AllX(ctx)
for _, ch := range chunks {
log.Println("为段落创建嵌入", ch.Path, ch.Nchunk)
embedding := getEmbedding(ch.Data)
_, err := client.Embedding.Create().
SetEmbedding(pgvector.NewVector(embedding)).
SetChunk(ch).
Save(ctx)
if err != nil {
return fmt.Errorf("创建嵌入时出错: %v", err)
}
}
return nil
}
// getEmbedding 调用 OpenAI Embedding API 计算给定字符串的嵌入值并返回。
func getEmbedding(data string) []float32 {
client := openai.NewClient(os.Getenv("OPENAI_KEY"))
queryReq := openai.EmbeddingRequest{
Input: []string{data},
Model: openai.AdaEmbeddingV2,
}
queryResponse, err := client.CreateEmbeddings(context.Background(), queryReq)
if err != nil {
log.Fatalf("获取嵌入时出错: %v", err)
}
return queryResponse.Data[0].Embedding
}
此方法查询缺失 Embedding 的块，生成 Embedding 并保存。运行 index 命令即可：
go run ./cmd/entrag index
日志示例：
2025/02/13 13:04:42 为段落创建嵌入 /Users/home/entr/data/md/aggregate.md 0
2025/02/13 13:04:43 为段落创建嵌入 /Users/home/entr/data/md/ci.mdx 0
…
提问
现在我们已完成文档加载与 Embedding 的创建，下面实现 AskCmd，用于向已索引的文档提问。打开 cmd/entrag/rag.go 并添加：
// Run 是当执行“ask”命令时调用的方法。
func (cmd *AskCmd) Run(ctx *CLI) error {
client, err := ctx.entClient()
if err != nil {
return fmt.Errorf("连接 PostgreSQL 失败: %w", err)
}
question := cmd.Text
emb := getEmbedding(question)
embVec := pgvector.NewVector(emb)
embs := client.Embedding.
Query().
Order(func(s *sql.Selector) {
s.OrderExpr(sql.ExprP("embedding <-> $1", embVec))
}).
WithChunk().
Limit(5).
AllX(context.Background())
b := strings.Builder{}
for _, e := range embs {
chnk := e.Edges.Chunk
b.WriteString(fmt.Sprintf("来自文件: %v\n", chnk.Path))
b.WriteString(chnk.Data)
}
query := fmt.Sprintf(`请使用下列 ent 文档信息回答随后的问题。
信息：
%v
问题：%v`, b.String(), question)
oac := openai.NewClient(ctx.OpenAIKey)
resp, err := oac.CreateChatCompletion(
context.Background(),
openai.ChatCompletionRequest{
Model: openai.GPT4o,
Messages: []openai.ChatCompletionMessage{
{
Role: openai.ChatMessageRoleUser,
Content: query,
},
},
},
)
if err != nil {
return fmt.Errorf("创建聊天完成时出错: %v", err)
}
choice := resp.Choices[0]
out, err := glamour.Render(choice.Message.Content, "dark")
fmt.Print(out)
return nil
}
这段代码先将用户问题转换为向量，然后在数据库中查询相似 Embedding，并取前 5 条结果。随后将其文本与问题一起组成提示，调用 OpenAI GPT 生成答案，并使用 glamour 渲染输出。
在运行 ask 命令前，安装 glamour 包：
go get github.com/charmbracelet/glamour
接着执行：
go run ./cmd/entrag ask "tl;dr What is Ent?"
系统的响应类似：
Ent 是一个面向 Go 语言的开源实体框架（ORM）。它允许开发者在 Go 代码中定义数据模型或图结构。Ent 强调以下原则：schema-as-code、通过代码生成的静态类型与显式 API、简单查询与图遍历、静态类型谓词以及无特定存储的抽象。它支持多种数据库，包括 MySQL、MariaDB、PostgreSQL、SQLite 以及 Gremlin 基础的图数据库，旨在提升 Go 开发的生产力。
进一步示例
go run ./cmd/entrag ask "how to define order field in entgql"
选择可比较字段：在你的 schema 中挑选你想要排序的字段，可是文本、时间戳、整数、枚举等。
为字段加注解：使用
entgql.OrderField注解在所选字段上。注解中字段名应为大写且与 GraphQL 枚举匹配。更新 Schema：例如在
ent/schema中：
func (Todo) Fields() []ent.Field {
return []ent.Field{
field.Text("text").
NotEmpty().
Annotations(
entgql.OrderField("TEXT"),
),
field.Time("created_at").
Default(time.Now).
Immutable().
Annotations(
entgql.OrderField("CREATED_AT"),
),
field.Enum("status").
NamedValues(
"InProgress", "IN_PROGRESS",
"Completed", "COMPLETED",
).
Default("IN_PROGRESS").
Annotations(
entgql.OrderField("STATUS"),
),
field.Int("priority").
Default(0).
Annotations(
entgql.OrderField("PRIORITY"),
),
}
}
- 或者支持多字段排序：可使用
entgql.MultiOrder()注解：
func (Todo) Annotations() []schema.Annotation {
return []schema.Annotation{
entgql.MultiOrder(),
}
}
- 生成 GraphQL 类型：确保 GraphQL 枚举与上述设置一致，例如：
enum OrderDirection {
ASC
DESC
}
enum TodoOrderField {
CREATED_AT
PRIORITY
STATUS
TEXT
}
input TodoOrder {
direction: OrderDirection!
field: TodoOrderField
}
- 在查询中加入
orderBy参数，允许客户端按字段排序：
type Query {
todos(
after: Cursor
first: Int
before: Cursor
last: Int
orderBy: TodoOrder
): TodoConnection!
}
按照这些步骤，你的 Ent‑based 应用即可在 GraphQL API 中支持多字段排序。
go run ./cmd/entrag ask "what's the difference between privacy rules and interceptors"
- 隐私规则：
- 目的：主要用于执行访问控制策略，决定查询与更新是否被允许。
- 实现：在
ent.Policy接口中实现各项方法（EvalQuery、EvalMutation），通过若干条件判断后返回 Allow / Deny / Skip。 - 运作：在查询过程中评估是否满足特定条件，若满足则允许，若不满足则拒绝。
- 适用场景：适合通过规则管理访问权限，确保用户仅在满足条件时才可执行操作。
- 拦截器：
- 目的：将其用作“端口”或展示形态，向多种体验——匹配所有可查询/所有权限下的免费美????
（原文不完整，略）
说明：如果你想在回调中使用第一种..??/
总结：隐私规则专注于访问控制，拦截器则环绕“此处”定位等工具
结束语
在本文中，我们演示了如何使用 Ent、Atlas 与 pgvector 构建一个 RAG 系统。特别感谢 Eli Bendersky 的原始博客以及多年优秀的 Go 之作。
Credit: martinfowler.com
