lancedb pro是否支持rerank也本地部署？

[vivimvi]

Problem / Motivation

看了之前的issue,部署了本地emb，rerank能否一样支持本地模型？

Proposed Solution

rt

Alternatives Considered

No response

Area

None

Additional Context

No response

[AliceLJY]

支持的。当前版本可以通过 rerankProvider: "siliconflow" 或任何兼容 Jina rerank API 格式的本地服务来实现。

示例配置（本地 BAAI/bge-reranker-base）：

"retrieval": {
  "rerank": "cross-encoder",
  "rerankProvider": "siliconflow",
  "rerankEndpoint": "http://127.0.0.1:18799/v1/rerank",
  "rerankTimeoutMs": 120000
}

另外 PR #363 正在增加 llama.cpp / Ollama 作为原生 rerank provider，合入后配置会更简单。

如果你需要本地部署 reranker 的具体教程，可以参考 #346 里的讨论。

[jlin53882]

@vivimvi 以下是我使用的本地 py ，你可以參考看看。
@AliceLJY 建議可以把這個 寫入到 本地部署的文件內，這樣也可以減少一些本地部署的時間。

解決方案：本地 bge-reranker-base API Server

可以！以下是一個完整可用的本地 reranker server，支援 CPU / GPU 自動偵測，與 memory-lancedb-pro 的 SiliconFlow API 格式完全相容。

---

功能說明

• 自動偵測 GPU：有 CUDA 就用 GPU，沒有就降級到 CPU
• SiliconFlow API 相容格式：POST /v1/rerank
• 並發控制：最多 100 個同時請求
• 背景保溫：每 5 分鐘自動做一次 dummy inference，防止模型被卸載
• 模型：BAAI/bge-reranker-base

---

環境需求

pip install fastapi uvicorn torch transformers pydantic

模型自動下載（首次執行時）。

---

腳本：reranker_server.py

# -*- coding: utf-8 -*-
"""
本地 bge-reranker-base API Server
包裝成 SiliconFlow 相容格式 /v1/rerank，供 memory-lancedb-pro 使用
"""
import os, time, torch, threading, asyncio
from fastapi import FastAPI, Request
from fastapi.responses import JSONResponse
from transformers import AutoModelForSequenceClassification, AutoTokenizer
from pydantic import BaseModel
from typing import Optional
import uvicorn

# ============================================================
# 並發控制設定
# ============================================================
MAX_CONCURRENT = 100        # 最多同時處理 100 個請求
BATCH_DELAY = 0.1          # 每批處理完延遲 0.1 秒

# ============================================================
# 模型設定（CPU / GPU 自動偵測）
# ============================================================
MODEL_NAME = "BAAI/bge-reranker-base"
PORT = 18799
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print(f"[{time.strftime('%H:%M:%S')}] 正在載入模型: {MODEL_NAME}")
t0 = time.time()
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)
model.eval()
print(f"[{time.strftime('%H:%M:%S')}] 模型載入完成，耗時 {time.time()-t0:.1f}s")
print(f"[{time.strftime('%H:%M:%S')}] 裝置: {DEVICE}")

# ============================================================
# 模型預熱
# ============================================================
print(f"[{time.strftime('%H:%M:%S')}] 預熱模型到 {DEVICE}...")
model.to(DEVICE)
dummy_inputs = tokenizer("warmup", "warmup", return_tensors="pt")
dummy_inputs = {k: v.to(DEVICE) for k, v in dummy_inputs.items()}
with torch.no_grad():
    model(**dummy_inputs)
print(f"[{time.strftime('%H:%M:%S')}] 預熱完成")

# ============================================================
# 背景保溫執行緒（每 5 分鐘做一次 dummy inference）
# ============================================================
def _keep_warm():
    while True:
        time.sleep(300)
        try:
            dummy_inputs = tokenizer("keep", "warm", return_tensors="pt")
            dummy_inputs = {k: v.to(DEVICE) for k, v in dummy_inputs.items()}
            with torch.no_grad():
                model(**dummy_inputs)
            print(f"[{time.strftime('%H:%M:%S')}] [keep-warm] 模型保溫完成")
        except Exception as e:
            print(f"[{time.strftime('%H:%M:%S')}] [keep-warm] 保溫失敗: {e}")

_warm_thread = threading.Thread(target=_keep_warm, daemon=True)
_warm_thread.start()
print(f"[{time.strftime('%H:%M:%S')}] 保溫執行緒已啟動（每 5 分鐘）")

# ============================================================
# FastAPI App
# ============================================================
app = FastAPI(title="Local bge-reranker-base API", version="1.1")
semaphore = asyncio.Semaphore(MAX_CONCURRENT)
queue_wait_times = []

class RerankRequest(BaseModel):
    model: str
    query: str
    documents: list[str]
    top_n: Optional[int] = None

@app.post("/v1/rerank")
async def rerank(req: RerankRequest, request: Request):
    queue_start = time.time()
    await semaphore.acquire()
    wait_time = time.time() - queue_start
    queue_wait_times.append(wait_time)
    if len(queue_wait_times) > 100:
        queue_wait_times.pop(0)
    try:
        t_start = time.time()
        query = req.query
        documents = req.documents
        top_n = req.top_n

        # Cross-encoder 評分
        scores = []
        for doc in documents:
            inputs = tokenizer(query, doc, return_tensors="pt", truncation=True, max_length=512, padding=True)
            inputs = {k: v.to(DEVICE) for k, v in inputs.items()}
            with torch.no_grad():
                score = torch.sigmoid(model(**inputs).logits).item()
            scores.append(score)

        # 按分數排序
        indexed = sorted(zip(range(len(documents)), documents, scores), key=lambda x: x[2], reverse=True)
        if top_n:
            indexed = indexed[:top_n]

        return {"results": [
            {"index": idx, "document": doc, "relevance_score": float(score)}
            for idx, doc, score in indexed
        ]}
    finally:
        semaphore.release()

@app.get("/health")
async def health():
    return {"status": "ok", "model": MODEL_NAME, "device": str(DEVICE), "max_concurrent": MAX_CONCURRENT}

@app.get("/")
async def root():
    return {"service": "Local bge-reranker-base API", "model": MODEL_NAME, "device": str(DEVICE), "endpoint": "/v1/rerank"}

if __name__ == "__main__":
    print(f"啟動 server：http://localhost:{PORT}")
    uvicorn.run(app, host="127.0.0.1", port=PORT, log_level="info")

---

使用方式

1. 啟動 server：

python reranker_server.py

2. 在 memory-lancedb-pro 的 openclaw.plugin.json 設定：

{
  "retrieval": {
    "rerank": true,
    "rerankApiKey": "dummy",          // 本地 server 不需要 API key
    "rerankEndpoint": "http://127.0.0.1:18799/v1/rerank",
    "rerankProvider": "openai-compatible"
  }
}

3. 效能參考（家豪實測）：

設備	速度
GPU（RTX 4060）	~40ms/candidate
CPU（i5-12400）	~986ms/candidate（10 docs 批次）

4. 設備切換方式：
腳本全自動偵測 — DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")，有 GPU 就用 GPU，不需要手動修改任何程式碼。

---

硬體需求

• GPU（可選，推薦）：NVIDIA GPU + CUDA driver，VRAM 約 1GB
• CPU（基本可用）：至少 4 核，處理速度約慢 20-25x vs GPU
• 模型大小：約 440MB（bge-reranker-base）