DeepSeek + RAGFlow 构建个人知识库，解决AI胡说八道

本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。

一、前言

有没有遇到过这样的场景？

当你向大模型提问一些内部技术细节或特定领域的问题时，比如：

大模型一本正经地给出了看似合理、实则完全错误的答案。这就是所谓的「模型幻觉」。当大模型面对非公开、个性化或训练数据之外的知识时，常常会"编造"答案------不知道的就靠猜。

简单来说，大模型博览群书，它学习过海量公共知识，但对你的私人知识一无所知，例如：

这些内容并不在 DeepSeek、OpenAI 等模型的训练数据中。因此，当你提出这类问题时，模型只能靠"推测"来回应------这正是幻觉的根源。

解决幻觉问题通常有两种方式：

微调可以解决模型幻觉问题，但部署并微调一个大模型，对企业和个人来说成本非常高，如果退而求其次，微调一个小一点的模型，大概率效果又不好。

RAG（Retrieval Augmented Generation）的核心流程分为三步：

Embedding的作用是将自然语言转化为机器可以理解的高维向量，并通过这一过程捕获到文本背后的语义信息，进而理解不同文本之间的相似度关系。

在RAG执行检索流程时，

① 通过Embedding模型，对知识库文件进行解析，生成一个高维向量；

② 同时通过Embedding模型，对用户提问进行处理，生成一个高维向量；

③ 拿用户的提问去匹配本地知识库，系统利用某些相似度度量（如余弦相似度 cosin similarity）去判断相似度。

比如，"汉语"和"英语" Embedding后，会映射到非常相近的向量空间中；深度学习会被映射到比较远的向量空间中。

部署 RAGFlow（基于docker） RAGFlow 提供详细 GitHub文档（github.com/infiniflow/...）：

① 下载RAGFlow源代码
shell 复制代码
```
$ git clone https://github.com/infiniflow/ragflow.git
```
② 配置自带 Embedding 模型的RAGFlow image tag

RAGFlow 提供了两种版本选择：一种内置了 embedding 模型，另一种则不内置。

如果本地有可用 embedding 模型，建议选择不内置模型的版本以节省资源；若本地没有可用模型，只需在配置文件（ragflow/docker/.envi）中指定使用内置模型版本即可。

③进入 docker 文件夹，利用提前编译好的 Docker 镜像启动服务器：
shell 复制代码
```
$cd ragflow/docker
```
首次启动拉镜像的时间有点长，

可以看到，RAGFlow 需要ES、Redis等环境，文档解析后需要存储，docker 的集装箱环境帮我们省去了繁琐的环境配置。

启动成功
访问与配置