当前位置：首页 > article >正文

准备好，开始构建：由 Elasticsearch 向量数据库驱动的 Red Hat OpenShift AI 应用程序

article 2025/9/13 12:01:27

作者：来自 Elastic Tom Potoma

Elasticsearch 向量数据库现在被 “基于 LLM 和 RAG 的 AI 生成” 验证模式支持。本文将指导你如何开始使用。

Elasticsearch 已原生集成业内领先的生成式 AI 工具和服务提供商。欢迎观看我们的网络研讨会，了解如何突破 RAG 基础，或在 Elastic 向量数据库上构建可投入生产的应用程序。

为了为你的使用场景构建最佳搜索解决方案，现在就开始免费的云试用，或在本地机器上试用 Elastic 吧。

Red Hat 验证模式框架使用 GitOps，实现 Red Hat OpenShift 上所有操作器和应用的无缝部署。Elasticsearch 向量数据库现已被 “基于 LLM 和 RAG 的 AI 生成” 验证模式正式支持。这使开发者能够利用 Elastic 的向量数据库，在 OpenShift 上快速启动检索增强生成（RAG）应用的开发，结合 Red Hat 容器平台的优势和 Elastic 的向量搜索能力。

在验证模式中开始使用 Elastic

我们来一步步讲解如何使用 Elasticsearch 作为向量数据库来设置该模式：

先决条件

本地系统已安装 Podman
在 AWS 上运行的 OpenShift 集群
你的 OpenShift 拉取密钥
已安装 OpenShift CLI（oc）
安装配置文件

步骤 1：Fork 仓库

创建 rag-llm-gitops 仓库的一个 Fork。

步骤 2：克隆 Fork 后的仓库

克隆你 Fork 的仓库，并进入仓库的根目录。

git clone git@github.com:your-username/rag-llm-gitops.git 
cd rag-llm-gitops

步骤 3：配置并部署

创建 secret 值文件的本地副本：

cp values-secret.yaml.template ~/values-secret-rag-llm-gitops.yaml

通过编辑 values-global.yaml 文件，配置该模式使用 Elasticsearch：

# Open the file in your favorite editor
vi values-global.yaml# Look for the 'db' section under 'global':
# global:
#   db:
#     type: DEFAULT_VALUE# Change the db.type from "EDB" (default) or "REDIS" to "ELASTIC"

如果需要：配置 AWS 设置（如果你的集群位于不支持的区域）：

mkdir -p ~/.aws
echo -e "[default]\nregion = <your-region>" > ~/.aws/config

向你的集群添加 GPU 节点：

./pattern.sh make create-gpu-machineset

安装该模式：

./pattern.sh make install

安装过程会自动部署：

模式操作器组件
用于密钥管理的 HashiCorp Vault
Elasticsearch 操作器和集群
RAG 应用的 UI 和后端

步骤 4：验证部署

安装完成后，检查所有组件是否正常运行。

在 OpenShift Web 控制台中，进入 Workloads > Pods 菜单。从下拉框中选择 rag-llm 项目。

以下 pod 应该处于运行状态：

或者，你可以通过 CLI 检查：

oc get pods -n rag-llm

你应该能看到以下 pod：

elastic-operator — Elasticsearch 操作器
es-vectordb-es-default-0 — Elasticsearch 集群
ui-multiprovider-rag-redis — RAG 应用的 UI（尽管名字带有 redis，但它使用的是配置的数据库类型，这里是 Elastic）

步骤 5：试用应用程序

在浏览器中打开 UI，开始使用由 Elasticsearch 支持的 RAG 应用生成内容。

在 OpenShift 控制台的任意页面，点击Application/应用菜单，选择该应用：

然后：

选择你配置好的 LLM 提供商，或者自行配置
- 使用 OpenAI 时，应用会自动添加合适的接口地址。因此，在 “URL” 字段填写 https://api.openai.com/v1’，而不是 ‘https://api.openai.com/v1/chat/completions'
输入 “Product” 为 “RedHat OpenShift AI”
点击“Generate”
实时观看系统为你创建提案

那么刚才发生了什么？

当你部署带有 Elasticsearch 的模式时，后台发生了以下事情：

部署了 Elasticsearch 操作器来管理 Elasticsearch 资源
配置了具有向量搜索能力的 Elasticsearch 集群
处理示例数据，并将其作为向量嵌入存储在 Elasticsearch 中
配置 RAG 应用以连接 Elasticsearch 进行检索
生成内容时，应用会查询 Elasticsearch，找到适合 LLM 的相关上下文

接下来呢？

这次初步集成只是展示了将 Elasticsearch 向量搜索与 OpenShift AI 结合的可能性开端。Elastic 提供丰富的信息检索能力，非常适合生产环境的 RAG 应用。我们正在考虑未来的改进方向：

高级语义理解 — 利用 Elastic 的 ELSER 模型实现更精准的检索，无需微调
使用 Elastic 原生的文本分块和预处理功能进行智能数据处理
混合搜索优势 — 将向量嵌入与传统关键词搜索和 BM25 排名结合，获取最相关结果
生产就绪的监控 — 利用 Elastic 全面的可观测性堆栈，监控 RAG 应用性能，洞察 LLM 使用模式

我们欢迎反馈和贡献，持续为 OpenShift AI 应用带来强大的向量搜索功能！如果你参加 Red Hat Summit 2025，欢迎来 Booth #1552 了解更多 Elastic 信息！

资源链接：

AI Generation with LLM and RAG | Validated Patterns
Deploying a different database | Validated Patterns

原文：Get set, build: Red Hat OpenShift AI applications powered by Elasticsearch vector database - Elasticsearch Labs