使用您自己的向量数据库

link

• 从 UiPath 智能体查询外部向量数据库。
• 以结构化上下文的形式返回最相关的内容。
• 智能体可以在您组织的数据中安全地实时做出响应。

• 您的数据已在外部向量存储中编入索引。
• 您希望智能体能够访问最新的企业知识。
• 您需要避免将数据复制或重新索引到 UiPath。
• 您需要对数据存储、安全性和嵌入进行完全控制。

1. 用户查询：用户向智能体提交提示。
2. 工具选择：智能体的 LLM 会确定需要其他上下文，并选择自定义向量搜索工具。
3. 执行 API 工作流（仅适用于 StudioX 策略）：智能体调用已发布的 API 工作流，将用户查询作为输入传递。
4. 向量搜索：工作流会查询向量数据库，以检索语义最相关的内容。
5. 上下文返回（字符串） ：工作流以结构化 JSON 形式返回检索到的内容。
6. 制定响应：智能体使用此上下文来生成基础、准确的响应。

• 向量数据库：您的现有系统（例如 Databricks向量搜索或 Azure AI 搜索）。
• API 工作流: UiPath Integration Service 工作流：
  • 接受查询。
  • 调用向量数据库 API。
  • 返回相关结果。
• 智能体工具：发布的 API 工作流，添加为智能体可以调用的工具。

• 在 Orchestrator 中存储凭据（在Orchestrator 中存储）: 在 Orchestrator 租户中添加 API 密钥和其他密码作为凭据资产。这可以实现对敏感信息的集中、安全管理。
• 在运行时检索凭据：在 API 工作流中，使用获取凭据活动以在工作流运行时访问存储的凭据。该活动以字符串形式返回用户名，并以SecureString形式返回密码（例如 API 密钥），以防止密码在日志或工作流定义中公开。

• 包含索引数据的活动向量数据库（例如 Databricks向量搜索或 Azure AI 搜索）。
• 有效的 API 端点和身份验证凭据，作为凭据资产存储在 Orchestrator 中。
• 嵌入模型端点和密钥，也安全存储（仅适用于 Azure 客户端向量化）。

Databricks向量搜索（模型原生端点）​

为什么使用此选项​

• 简单配置
• 每个查询仅支持一次 API 调用
• 无需单独的嵌入模型

步骤​

1. 获取 Databricks 详细信息：
   1. 检索端点 URL。
   2. 将您的 Databricks 个人访问令牌存储为 Orchestrator 中的凭据资产。
2. 在 Studio 中，创建一个新的 API 工作流项目并定义以下参数：
   • in_QueryText (String)
   • in_TopK （ Int32 ，默认值为5 ）
   • out_Results (String)
3. 使用“获取凭据”活动在运行时从 Orchestrator 检索 Databricks 个人访问令牌。
4. 添加HTTP 请求活动以调用 Databricks 端点：
   • 端点：Databricks 向量搜索端点
   • 方法: POST
   • 标头： Authorization: Bearer <Personal Access Token>
   • 正文：构建 Databricks API 所需的 JSON 正文，以映射输入变量。
5. 将工作流发布到 Orchestrator 租户。
6. 将工作流作为工具添加到您的智能体中，并提供明确的名称和描述，供 LLM 使用。

Azure AI 搜索（客户端向量化）​

为什么使用此选项​

• 对嵌入模型的完全控制
• 与现有向量索引的兼容性

步骤​

1. 获取 API 详细信息：
   • 对于 Azure AI 搜索：检索端点 URL、索引名称，并将 API 密钥作为凭据资产存储在 Orchestrator 中。
   • 对于嵌入模型：检索端点 URL，并将嵌入服务的 API 密钥作为凭据资产存储在 Orchestrator 中。
2. 在 Studio 中，创建一个新的 API 工作流项目并定义以下参数：
   • in_QueryText (String)
   • in_TopK （ Int32 ，默认值为5 ）
   • out_Results (String)
3. 首先，对查询进行向量化：
   1. 添加“获取凭据”活动，以检索嵌入模型的 API 密钥。
   2. 添加“HTTP 请求”活动，以使用in_QueryText调用嵌入模型。
   3. 反序列化 JSON 响应，并将生成的嵌入向量存储在变量（例如， queryVector ）中。
4. 查询 Azure AI 搜索：
   1. 添加“获取凭据”活动，以检索 Azure AI 搜索 API 密钥。
   2. 添加“HTTP 请求”活动并进行如下配置：
      • 端点 （仅适用于 Azure AI 端点）：您的 Azure AI 搜索端点。
      • 方法: POST 。
      • 标头：使用您的 Azure AI 搜索 API 密钥变量添加api-key标头，如下所示： api-key: <API key> 。
      • “正文” ：为 Azure AI 搜索向量搜索查询构建 JSON 正文，并嵌入queryVector变量。
5. 将工作流发布到 Orchestrator 租户。
6. 将已发布的工作流作为工具添加到您的智能体中，并提供清晰的描述，供 LLM 使用。

Azure AI 搜索（集成的向量化）​

为什么使用此选项​

• 最简单的 Azure 设置
• 不可在工作流中嵌入调用
• 每个查询单个 API 请求

步骤​

1. 获取 API 详细信息：
   • 检索 Azure AI 搜索端点 URL、索引名称，并将 API 密钥作为凭据资产存储在 Orchestrator 中。
2. 在 Studio 中，创建一个新的 API 工作流项目并定义以下参数：
   • in_QueryText (String)
   • in_TopK （ Int32 ，默认值为5 ）
   • out_Results (String)
3. 添加“获取凭据”活动，以便从 Orchestrator 检索 Azure AI 搜索 API 密钥。
4. 添加“HTTP 请求”活动并进行如下配置：
   • 端点:
     assignment

     https://<service>.search.windows.net/indexes/<index-name>/docs/search?api-version=2023-11-01
     https://<service>.search.windows.net/indexes/<index-name>/docs/search?api-version=2023-11-01
     

   • 方法: POST
   • “标头”（在 Azure 中设置）：使用您的 Azure AI 搜索 API 密钥变量添加api-key标头，如下所示： api-key: <API key>
   • 正文：构建 JSON 正文，以使用查询文本执行向量搜索。Azure AI 搜索会自动处理向量化。
     assignment

     {
       "vectorQueries": [
         {
           "kind": "text",
           "text": "<%= in_QueryText %>",
           "fields": "contentVector",
           "k": "<%= in_TopK %>"
         }
       ],
       "select": "chunk, source_document"
     }
     {
       "vectorQueries": [
         {
           "kind": "text",
           "text": "<%= in_QueryText %>",
           "fields": "contentVector",
           "k": "<%= in_TopK %>"
         }
       ],
       "select": "chunk, source_document"
     }
     

5. 将工作流发布到 Orchestrator 租户。
6. 将已发布的工作流作为工具添加到您的智能体中，并为 LLM 提供清晰的描述。