如果你这是一个专为希望减少代码编写、通过图形化工具完成 RAG 搭建的方案。我们将使用 LangChain 图形化工具 结合 Ollama 模型管理界面，实现从环境准备到问答交互的全流程，只需少量配置文件修改，无需编写复杂脚本。
一、前期准备：安装基础工具（3 个核心软件）
1. 安装 Python（必要运行环境）
1. 访问 Python 官网，下载 Python 3.11.x 版本
2. 安装时务必勾选 “Add Python to PATH”，然后点击 “Install Now”
3. 验证：按下 Win + R 输入 cmd，执行 python –version，显示版本号即成功
2. 安装 Ollama（本地大模型管理）
1. 访问 Ollama 官网，点击 “Download for Windows”
2. 双击安装包，按提示完成安装（默认路径即可）
3. 启动 Ollama 图形化界面（桌面会生成快捷方式）
4. 在界面中搜索并下载中文模型：
o 推荐 qwen:7b（阿里通义千问，适合中文场景）
o 点击 “Pull” 等待下载完成（约 4GB，需耐心等待）
3. 安装 LangChain 图形化工具（RAG 流程管理）
1. 打开命令提示符（Win + R → cmd）
2. 执行以下命令安装 LangChain Server（带图形化界面）：
bash
pip install “langchain[server]” chromadb sentence-transformers pypdf
3. 验证安装：执行 langchain serve，看到 “Uvicorn running on http://0.0.0.0:8000” 即成功
4. 按 Ctrl + C 暂时关闭服务，准备后续配置
二、配置 RAG 核心组件（仅需修改 1 个配置文件）
1. 创建项目文件夹
1. 在 D 盘新建文件夹 D:my_rag
2. 在该文件夹中创建两个子文件夹：
o documents：用于存放你的知识库文档（PDF/Word 等）
o chroma_db：用于存储向量数据
2. 编写配置文件（关键步骤，复制粘贴即可）
1. 在 D:my_rag 中新建文本文件，重命名为 rag_config.yaml
2. 复制以下内容（已优化中文支持）：
yaml
# RAG 配置文件（适配 Ollama + Chroma + LangChain）
version: 1
components:
# 1. 向量数据库配置（Chroma）
– name: vectorstore
type: vectorstore
config:
type: chroma
persist_directory: D:/my_rag/chroma_db # 向量库存储路径
embedding:
type: huggingface
model_name: m3e-base # 中文优化的嵌入模型
# 2. 文档加载器配置
– name: document_loader
type: document_loader
config:
type: directory
path: D:/my_rag/documents # 文档存放路径
glob: “**/*” # 加载所有文件
loader_kwargs:
recursive: true
# 3. 文本拆分配置
– name: text_splitter
type: text_splitter
config:
type: recursive_character
chunk_size: 1000
chunk_overlap: 200
# 4. 大模型配置（Ollama）
– name: llm
type: llm
config:
type: ollama
model: qwen:7b # 已下载的模型名称
temperature: 0.7 # 回答灵活性（0-1）
# 5. RAG 链配置
– name: rag_chain
type: chain
config:
type: retrieval_qa
llm:
$ref: llm
retriever:
$ref: vectorstore.as_retriever
search_kwargs:
k: 3 # 检索相关片段数量
三、启动 RAG 系统并导入文档（图形化操作）
1. 启动 LangChain 服务
1. 打开命令提示符，切换到项目目录：
bash
cd D:my_rag
2. 执行命令启动服务（加载配置文件）：
bash
langchain serve –config rag_config.yaml
3. 打开浏览器，访问 http://localhost:8000，进入 LangChain 图形化界面
2. 导入知识库文档
1. 将你的文档（PDF/Word/TXT 等）复制到 D:my_ragdocuments 文件夹
2. 在 LangChain 界面左侧菜单中点击 “Document Loaders”
3. 找到你配置的 document_loader，点击 “Load” 按钮
4. 系统会自动完成：
o 文档加载 → 文本拆分 → 向量化 → 存入 Chroma 数据库
o 进度完成后会显示 “Loaded X documents”
四、使用 RAG 问答（图形化交互）
1. 启动问答界面
1. 在 LangChain 界面左侧菜单中点击 “Chains”
2. 找到配置的 rag_chain，点击进入问答界面
2. 开始提问
1. 在输入框中输入问题（例如）：
o “文档中提到的核心观点是什么？”
o “总结第三部分的主要内容”
2. 点击 “Run” 按钮，系统会：
o 从 Chroma 数据库检索相关文档片段
o 调用 Ollama 的 qwen:7b 模型生成回答
o 显示回答结果及引用的文档来源（文件名和位置）
五、日常使用与维护（全图形化）
1. 添加新文档
1. 将新文档复制到 D:my_ragdocuments
2. 在 LangChain 界面的 “Document Loaders” 中再次点击 “Load”
3. 系统会自动增量更新向量库（无需重建整个知识库）
2. 更换模型
1. 在 Ollama 图形化界面中下载新模型（如 llama3:8b）
2. 编辑 rag_config.yaml，将 model: qwen:7b 改为新模型名称
3. 重启 LangChain 服务（Ctrl + C 终止后重新执行 langchain serve –config rag_config.yaml）
3. 调整检索精度
1. 打开 rag_config.yaml，修改 search_kwargs: k: 3 中的数字：
o 数值越大（如 5）：检索结果越全面，但回答速度稍慢
o 数值越小（如 2）：回答速度快，但可能遗漏部分信息
2. 重启服务使配置生效
六、常见问题解决（图形化操作）
|
问题现象 |
解决方法 |
|
文档加载失败 |
检查文档是否加密 / 损坏，确保路径无特殊字符（如空格、中文括号） |
|
回答不包含文档内容 |
确认文档已成功加载，尝试增加 k 值（如改为 5） |
|
服务启动失败 |
检查 rag_config.yaml 中路径是否正确（用 / 而非 ） |
|
模型调用超时 |
关闭其他占用内存的程序，或换用更小的模型（如 qwen:4b） |
总结
这个方案通过 LangChain 图形化界面 和 Ollama 可视化管理，将代码编写量降到最低（仅需复制粘贴配置文件），核心操作均通过界面完成。你可以：
· 零代码实现文档加载、向量存储和检索增强
· 灵活更换模型和调整参数
· 完全本地化部署，保护数据隐私
适合希望快速搭建 RAG 知识库，又不想深入编写代码的用户。后续如需扩展功能，可逐步学习修改配置文件或尝试简单脚本。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
