Ash AI 使用指南:Elixir 框架中的 AI 集成方案
2025-07-08 02:17:01作者:庞队千Virginia
概述
Ash AI 是 Ash 框架的一个扩展模块,它将现代人工智能能力无缝集成到 Elixir 应用开发中。作为 Ash 生态系统的智能增强组件,它提供了向量化处理、大语言模型交互和 AI 工具集成等核心功能,使开发者能够轻松构建智能化的数据驱动应用。
核心概念解析
向量化技术
向量化是将文本数据转换为数值向量(嵌入)的过程,这是实现语义搜索的基础。Ash AI 的向量化功能包含以下关键要素:
- 文本预处理:通过组合多个属性构建完整的上下文文本
- 嵌入模型:将文本转换为高维向量表示
- 更新策略:控制向量生成的时机和方式
AI 工具系统
Ash AI 允许将资源操作暴露为 AI 可调用的工具,实现以下功能:
- 自然语言接口访问数据库操作
- 构建自动化工作流
- 创建智能代理系统
提示驱动动作
这是一种创新的动作实现方式,其业务逻辑由大语言模型动态生成,特点包括:
- 基于自然语言描述定义动作行为
- 支持结构化输出约束
- 可集成外部工具调用
向量化实战指南
基础配置
在资源中启用向量化需要三个步骤:
defmodule MyApp.Article do
use Ash.Resource, extensions: [AshAi]
vectorize do
full_text do
text(fn record ->
"""
标题: #{record.title}
内容: #{record.content}
作者: #{record.author.name}
"""
end)
used_attributes [:title, :content, :author_id]
end
strategy :ash_oban
embedding_model MyApp.EmbeddingModel
end
end
嵌入模型实现
嵌入模型是将文本转换为向量的核心组件,以下是 OpenAI 模型的实现示例:
defmodule MyApp.OpenAiEmbeddingModel do
use AshAi.EmbeddingModel
@impl true
def dimensions(_opts), do: 3072
@impl true
def generate(texts, _opts) do
# 实际实现中应考虑错误处理和重试机制
response = Req.post!("https://api.openai.com/v1/embeddings", ...)
response.body["data"]
|> Enum.map(& &1["embedding"])
|> then(&{:ok, &1})
end
end
更新策略选择
根据应用场景选择合适的向量更新策略:
策略类型 | 特点 | 适用场景 |
---|---|---|
:after_action |
同步更新,简单直接 | 开发环境、小规模数据 |
:ash_oban |
异步任务队列更新 | 生产环境、大规模数据 |
:manual |
完全手动控制 | 特殊需求场景 |
语义搜索实现
利用向量实现高级搜索功能:
read :semantic_search do
argument :query, :string, allow_nil?: false
prepare fn query, _context ->
{:ok, [embedding]} = MyApp.EmbeddingModel.generate([query.arguments.query])
query
|> Ash.Query.filter(vector_cosine_distance(content_vector, ^embedding) < 0.3)
|> Ash.Query.sort(asc: vector_cosine_distance(content_vector, ^embedding))
end
end
AI 工具系统详解
工具注册与配置
在领域模块中声明可用的 AI 工具:
defmodule MyApp.Blog do
use Ash.Domain, extensions: [AshAi]
tools do
tool :search_articles, MyApp.Article, :search do
description "根据关键词搜索相关文章"
end
tool :create_comment, MyApp.Comment, :create
end
end
数据访问控制
通过 public?
标记控制工具的数据访问权限:
attributes do
attribute :title, :string, public?: true
attribute :content, :string, public?: true
attribute :draft, :boolean # 默认 private
end
relationships do
belongs_to :author, MyApp.User, public?: true
end
访问规则矩阵:
操作类型 | 可访问性 |
---|---|
过滤/排序 | 仅 public 属性 |
参数传递 | 仅 public 参数 |
响应数据 | 默认仅 public,可通过 load 加载私有数据 |
提示驱动动作开发
基础实现
创建由 LLM 实现的资源动作:
action :summarize, :string do
argument :length, :string, constraints: [one_of: ["short", "medium", "long"]]
run prompt(
ChatOpenAI.new!(%{model: "gpt-4"}),
prompt: """
请将以下文章内容总结为<%= @input.arguments.length %>版本:
<%= @input.arguments.text %>
"""
)
end
高级模式
支持复杂交互场景的实现方式:
action :analyze_trend, {:array, :string} do
run prompt(
fn _input, _context ->
ChatOpenAI.new!(%{
model: "gpt-4",
api_key: System.get_env("OPENAI_KEY")
})
end,
tools: [:search_articles, :get_statistics],
prompt: {
"你是一个数据分析专家",
"分析当前行业趋势并给出建议"
}
)
end
生产环境部署建议
MCP 服务配置
实现安全的 AI 工具访问接口:
# 认证管道
pipeline :mcp_auth do
plug AshAuthentication.Strategy.ApiKey.Plug,
resource: MyApp.Accounts.User,
required?: true
end
# 路由配置
scope "/mcp" do
pipe_through [:api, :mcp_auth]
forward "/", AshAi.Mcp.Router,
tools: [:search_articles, :create_comment],
protocol_version: "2024-11-05"
end
性能优化
- 向量索引:考虑使用专门的向量数据库扩展
- 缓存策略:对常见查询结果实现缓存
- 批量处理:对大量文本使用批量嵌入生成
测试策略
确保 AI 组件可靠性的测试方法:
- 嵌入模型测试:
test "embedding generation" do
assert {:ok, [embedding]} = EmbeddingModel.generate(["测试文本"])
assert length(embedding) == 3072
end
- 语义搜索测试:
test "semantic search" do
article = create_article(title: "Elixir 编程", content: "函数式编程语言")
results = Article.search!("函数语言")
assert article.id in Enum.map(results, & &1.id)
end
- 提示动作测试:
test "summary generation" do
{:ok, summary} = Article.summarize(text: "长文本...", length: "short")
assert String.length(summary) < 100
end
最佳实践
- 渐进式采用:从简单功能开始,逐步增加复杂度
- 监控:记录 AI 操作的性能和准确性指标
- 用户反馈:建立机制收集终端用户对 AI 功能的反馈
- 安全边界:为所有 AI 操作设置合理的超时和重试限制
通过 Ash AI,开发者可以构建出真正智能化的 Elixir 应用,将结构化数据与自然语言处理能力完美结合,为用户提供更直观、更强大的交互体验。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava03GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0295- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
260

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
854
505

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
254
295

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
331
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
397
370

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
21
5