centos7上使用Docker+ RagFlow + ollama + 数据集 搭建自己的AI问答机器人（2025-09）

什么是RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合信息检索与文本生成的智能技术，旨在解决传统大语言模型（LLM）的局限性。以下是通俗易懂的解释：

核心原理

1. 检索（Retrieval）
   当用户提问时，系统先从外部知识库（如文档、数据库、企业私有数据）中快速查找与问题最相关的片段。例如，问“公司2023年营收多少”，系统会从财报文档中检索出具体数字。

2. 增强生成（Augmented Generation）
   将检索到的真实数据与用户问题一起输入大语言模型，模型基于这些可信信息生成回答，而非仅依赖训练时的静态知识。这样能避免“幻觉”（编造信息），确保答案准确且有据可依。

RAG 的基本流程

1. 用户提问（Query）
   比如：“介绍一下中国的新能源政策”。

2. 检索阶段（Retrieval）
   系统会把问题转成 embedding 向量，然后去知识库（向量数据库或全文搜索引擎）检索最相关的文档片段（chunks）。

3. 增强输入（Augmentation）
   把检索到的文档片段附加到用户问题后面，构造成一个 提示（prompt）。

   用户问题 + [相关文档内容]
   

4. 生成阶段（Generation）
   把增强后的 prompt 输入到大语言模型中，模型基于问题和文档上下文生成回答。

5. 答案输出（Answer）
   最终给出一个带有依据的答案，甚至能附带引用出处。

RAG 的优点

• 避免幻觉：模型有外部知识支撑，减少“编造”。
• 知识可更新：知识库可随时更新，不需要重新训练模型。
• 更可信：能给出来源引用，方便验证。
• 降低成本：不必训练超大模型，只需调用中等规模 LLM + 知识库即可。

为什么需要RAG？

• 知识更新问题：传统LLM的训练数据有截止日期（如2023年），无法回答最新事件（如2024年政策）。
• 私有数据访问：企业内部文档、专有数据无法直接用于训练模型，RAG可实时检索这些数据。
• 减少错误：模型不再“凭空想象”，而是基于检索到的证据生成回答，可靠性大幅提升。

典型应用场景

• 企业知识库：员工提问“如何申请报销”，系统自动检索公司制度文档并生成步骤说明。
• 客服系统：用户问“订单物流状态”，RAG从订单数据库中提取实时信息并回复。
• 医疗咨询：医生询问“某种药物的禁忌症”，系统从医学文献中检索权威结论，避免错误建议。

与传统LLM的区别

简单比喻

想象一个“学霸+图书馆员”的组合：

• 图书馆员（检索模块）：快速找到相关书籍中的具体段落；
• 学霸（生成模块）：根据这些段落整理出清晰、准确的答案。
  两者结合，既保证答案有依据，又能灵活应对新问题。
  可以把 RAG 理解为：
  👉 模型本身 = 一个“懂语言的专家”，但记忆有限，有时候会胡编。
  👉 检索系统 = 一个“图书管理员”，能找到相关资料。
  👉 RAG = 专家在回答前，先让图书管理员找资料，再结合自己的语言能力回答。

RAG的核心价值在于让AI真正“懂”你的数据，而非仅依赖通用知识。像RAGFlow这样的工具，正是将RAG技术落地为易用的系统，帮助企业快速构建智能问答服务。

RAGFlow介绍

… 来源ChatGPT

什么是 RAGFlow

• RAGFlow 是一个开源的 Retrieval-Augmented Generation（检索增强生成，RAG）引擎，由 Infiniflow 团队开发。它特别强调「深度文档理解」（deep document understanding）。([GitHub][1])
• 目的是把复杂、格式多样的数据（PDF、Word、表格、扫描件、ppt、图片等）处理好，构建知识库，使得当用户查询时，能够检索相关内容，并由大语言模型（LLM）基于这些检索到的内容生成答案，并带有可信的引用出处。([ragflow.io][2])
• 它也支持 Agent 模型／工作流，意味着可以把检索＋生成结合一些自动化任务、推理、脚本执行等能力。([GitHub][1])

关键功能／特点

下面是 RAGFlow 的主要特性：