我們先看看搭建完知識庫的效果，使用deepseek問答的時候會出現(xiàn)紅色框中的引用內容，如果沒有知識庫是不出現(xiàn)此處引用內容的。

一、什么是RAG知識庫？

RAG（Retrieval-Augmented Generation，檢索增強生成）是一種結合檢索和生成的先進自然語言處理（NLP）技術，用于提升生成模型的能力。它通過引入外部知識庫或文檔檢索機制，增強了生成模型的準確性和信息豐富性，特別適用于需要結合外部知識的任務，比如問答、對話系統(tǒng)和知識密集型文本生成。

1. RAG 的核心原理

傳統(tǒng)的 LLM 只能依賴訓練時的知識，容易受到知識時效性和模型參數(shù)大小的限制。而 RAG 通過實時檢索外部知識，使得 AI 在回答問題時更加精準和可控。

RAG 的工作流程一般如下：

Step 1 - 檢索（Retrieval）：

先從本地知識庫（如企業(yè)文檔、PDF、數(shù)據(jù)庫）或外部數(shù)據(jù)源（如維基百科、API）中提取與問題相關的內容。

使用 向量數(shù)據(jù)庫（Vector Database） 進行高效搜索，例如 FAISS、Milvus、ChromaDB 等。

Step 2 - 生成（Generation）：

將檢索到的內容作為上下文輸入給 LLM（如 DeepSeek、GPT-4、Llama2）。

LLM 結合檢索的知識，生成更精準、更符合事實的回答。

2.RAG 知識庫的應用場景

? 企業(yè)智能客服：快速從 FAQ、合同、產(chǎn)品手冊中檢索答案，自動回復客戶問題。
? 醫(yī)療健康助手：從醫(yī)學論文和病例數(shù)據(jù)中檢索信息，提供專業(yè)醫(yī)學建議。
? 法務咨詢：結合法律法規(guī)和案例，輔助律師進行法規(guī)檢索和文書生成。
? 個人知識管理：打造本地 AI 知識庫，管理筆記、文檔、書籍等信息。

二、為什么需要 RAG？

三、具體搭建實操步驟

1.準備工作：

以下需要的軟件和賬號已經(jīng)在上一篇文章中介紹，動動你的小手翻上一篇，不在贅述。

1、下載Cherry Studio可視化工具

2、注冊硅基流動賬號

3、部署DeepSeek模型 + Embedding模型

下面開始正式搭建 硅基流動+Cherry Studio本地私有知識庫。

2.步驟如下：

2.1、新建API秘鑰，名字隨便。

然后點擊 API 秘鑰會自動進行復制，

2.2、檢查API密鑰是否有效

打開Cherry Studio客戶端，點擊左下角【設置】——》將復制的API秘鑰填寫進去即可。

點擊右邊的檢查，選擇檢測的模型，會提示成功還是失敗，當提示成功表示可以使用

如果密鑰有效，會提示連接成功。

2.3、添加DeepSeek推理模型

1. 點擊底部的 【管理按鈕】，在模型管理服務中查找模型，點擊【全部】默認就能看到；

1. 找到需要的模型，點擊右側【+】添加到我的模型。

2.4、添加Embeding嵌入模型

我們需要添加嵌入式模型，否者無法使用知識庫功能（這5個模型都添加上）。

注意：Pro/BAAI/bge-m3模型是收費模型，其他4個模型是免費的。

2.5、 創(chuàng)建知識庫

1. 知識庫入口：在 CherryStudio 左側工具欄，點擊知識庫圖標，即可進入管理頁面；

1. 添加知識庫：點擊添加，名稱：輸入知識庫的名稱，嵌入模型： BAAI/bge-m3 ，完成創(chuàng)建。

2.6、添加文件并向量化

1. 添加文件： 點擊添加文件的按鈕，打開文件選擇；
2. 選擇文件，或者目錄，或者網(wǎng)站等多種形式。

系統(tǒng)會自動進行向量化處理，當顯示完成時（綠色 ?），代表向量化已完成

其他的網(wǎng)站、網(wǎng)址、筆記等形式可以自行設置。

2.7、 搜索知識庫

當文件等資料向量化完成后，即可進行查詢：

2.8、 對話中引用知識庫生成回復

1. 創(chuàng)建一個新的話題，在對話工具欄中，點擊知識庫，會展開已經(jīng)創(chuàng)建的知識庫列表，選擇需要引用的知識庫；
2. 輸入并發(fā)送問題，模型即返回通過檢索結果生成的答案 ；
3. 同時，引用的數(shù)據(jù)來源會附在答案下方，可快捷查看源文件。

OK到這里已經(jīng)配置完成了。