本地知识库+本地大模型，借助RAGFlow搭建医院医疗问诊助手，纯本地，超实用！

Python_金钱豹

于 2024-10-08 20:14:34 发布

阅读量422

点赞数 2

文章标签：人工智能语言模型架构科技 3d

本文链接：https://blog.csdn.net/Python_cocola/article/details/142768217

版权

使用Huggingface上的开源医疗数据集，借助 RAGFlow 搭建自己的本地医疗问诊助手。

原理：RAGFlow是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。它的作用是可以让用户创建自有知识库，根据设定的参数对知识库中的文件进行切块处理，用户向大模型提问时，RAGFlow先查找自有知识库中的切块内容，接着把查找到的知识库数据输入到对话大模型中再生成答案输出

ragflow最大特点：不同的解析方法，支持丰富的文件类型，如Word、PPT、excel表格、csv/txt、图片、PDF、结构化数据、网页等
具体可以在本地部署成功后，在解析方法中查看

接下来，开始进入使用阶段，起舞··

一使用自带的 WSL 安装 Ubuntu-22.04 系统

什么是WSL？WSL（Windows Subsystem for Linux）是微软开发的一项技术，允许用户在Windows系统中直接运行完整的Linux环境，无需虚拟机。通过操作系统级虚拟化，WSL将Linux子系统无缝嵌入Windows，提供原生Linux命令行工具、软件包管理器及应用程序支持。它具有轻量化、文件系统集成、良好的交互性及开发效率提升等优点，消除了Windows与Linux之间的隔阂，尤其适合开发者和需在Windows平台上使用Linux工具的用户。

1 启用window子系统及虚拟化

控制面板->程序和功能->启用或关闭window功能或者：
win + r 键入 OptionalFeatures，直接打开
提示：winver查看 windows 系统版本：

最后，重启电脑后生效

2 将wsl，升级为wsl2

参考文章：zhuanlan.zhihu.com/p/704855705
说明：win默认系统自带了wsl，直接管理员身份打开cmd执行相关操作

相关命令：

wsl --update #升级到最新版本（wsl2）``wsl --list --online # 查看所有可用的发行版``wsl --install -d Ubuntu-22.04 # 安装 Ubuntu-22.04 系统``wsl -l -v # 显示当前安装了哪些系统``wsl --set-default-version 2 #设置wsl默认版本为wsl2``wsl.exe --set-version Ubuntu-22.04 2 #设置Ubuntu-22.04为 wsl2``wsl.exe --set-version Ubuntu-22.04 1 #设置为wsl1``wsl -d Ubuntu-22.04 #登录到Ubuntu环境

建议：wsl升级并设置默认版本为wsl2

3 启动操作安装的linux
使用 wsl：在 cmd（或powershell）输入 wsl（或者：wsl -d Ubuntu-22.04）
cat /etc/os-release #查看 Linux 的版本

设置时区命令：

timedatectl # 检查当前设置的时区  
sudo timedatectl set-timezone Asia/Shanghai # 将时区设置为中国标准时间  
timedatectl # 确保时区已经正确设置

操作 Linux 文件:
windows 文件资源管理器-> Linux 的标志，点击 Linux 就可以

二安装win桌面版docker

win桌面版地址:
www.docker.com/products/docker-desktop/
下载完之后，按照提示，一直点就行了哈

提示：因为安装完成后镜像很大（44G左右），默认会安装在C盘，建议更改到其他空闲盘

更改方法：设置–>Resourses

以下本项目用不到，可以忽略，因为docker用的是win桌面版docker

linux (学习在ubuntu上安装docker和docker compose)

安装docker ：
https://zhuanlan.zhihu.com/p/651148141

安装 docker compose：

curl -SL https://github.com/docker/compose/releases/download/v2.29.6/docker-compose-linux-x86_64 -o /usr/local/bin/docker-compose #下载 docker-compose程序包``sudo chmod +x /usr/local/bin/docker-compose #添加可执行权限``docker-compose -v #查看版本

三部署启动ragflow

以下命令在git bash 中执行

ragflow仓库：
github.com/infiniflow/ragflow/blob/main/README_zh.md

软硬件要求：硬件：CPU ≥ 4 核 ; 内存≥ 16 GB; 磁盘空间 ≥ 50 GB; 软件：Docker版本 ≥ 24.0.0 ；Docker Compose 版本 ≥ v2.26.1

#查看版本``docker -v``docker compose version

启动部署服务器:

#1 克隆仓库``git clone https://github.com/infiniflow/ragflow.git``   ``#2 使用Docker镜像启动服务器（45 GB左右，约2小时左右）``修改./docker/.env的45行，把HF_ENDPOINT 设成相应的镜像站点``HF_ENDPOINT=https://hf-mirror.com``$ cd ragflow/docker``$ chmod +x ./entrypoint.sh``$ docker compose -f docker-compose.yml up -d``   ``# 3 确认服务器状态``docker logs -f ragflow-server

5 在浏览器中输入服务器对应的IP地址并登录RAGFlow (可在终端中用 ipconfig 查看ip)

点击signup注册，填入电邮地址和密码后，返回登录页，用刚刚注册的电邮地址和密码登录。

docker相关命令

sudo docker images # 查看镜像``docker ps # 列出正在运行的容器``# 进入名为 ragflow-server 的容器``docker exec -it ragflow-server /bin/bash``cd /ragflow``ls``# 退出容器``exit

相关bug:
bug1:无法正常下载（If inside mainland China）
解决1：修改./docker/.env的45行，把HF_ENDPOINT 设成相应的镜像站点

bug2: dependency failed to start: container ragflow-mysql is unhealthy
解决2：docker compose down -v #移除所有本地数据
docker compose up -d

四安装本地大模型LLM

安装ollama(一步步点就行)
地址：https://www.ollama.com/

下载qwen2:7b模型(4.4GB)阿里的千问大模型对中文很友好，所以选择它
说明，ollama中有许多开源模型，都可自行本地下载

ollama list #列出模型``ollama run qwen2:7b #下载运行模型``ollama rm          #删除模型``ollama show  #显示模型信息

下载Embedding模型
说明：一个免费的中文的向量化模型

ollama pull shaw/dmeta-embedding-zh``ollama list

最后用浏览器打开 http://localhost:11434
可以看到页面中显示：Ollama is running

五下载医疗数据集

地址：
huggingface.co/datasets/InfiniFlow/medical_QA

medical_QA(医疗问诊助手数据集)，它基于 PubMed 的数百万英文医疗论文，以及一些其他数据集，涵盖多个不同领域具有代表性的专业医疗数据，借助于 Agent 机制，提供中文问诊对话服务
ChatMed_Consult-v0.3.CSV 医疗咨询
Internal medicine_QA_all.csv 内科_QA_all.CSV
Medical Oncology_QA_all.csv 医学肿瘤学_QA_all.CSV
OB GYN_QA_all.csv 妇产科_QA_all.CSV
Pediatrics_QA_all.csv 儿科_QA_all.CSV
Andrology QA.CSV 男科QA.CSV S
urgical_QA_all.csv 外科_QA_all.CSV

六 RAGFlow 的使用

首先登录ragflow,进入后点击右上角图标

1 添加下载的本地千问模型和向量化模型

模型均在“第四步”做了安装
qwen2:7b:做问答chat的大模型
shaw/dmeta-embedding-zh:做embedding的，本地知识做向量化索引的

点击添加模型->按照如下添加向量化模型

因为ragflow使用的是docker，而ollama是在本地运行的，所以基础url为
base URL：http://host.docker.internal:11434

添加成功发后结果如下

2 创建知识库
2.1点击上方知识库–>创建知识库

2.2添加配置文件语言选择中文，嵌入模型选择自己下载的，解析方法选择Q&A

2.3新增文件->上传第五步下载的医疗数据集QA

说明：如果不能一起上传，就单个上传

3 开始解析，等待成功上传后点击右边放启动按钮，开始解析，等待解析成功，我这里文件80M左右，大约90分钟
原理：将每个QA对做成向量，用于提问后的匹配检索

4 检索测试简单测试下知识库的相关搜索性

七功能测试与使用

1 聊天（添加助理）

聊天–>添加助理–>配置相关参数（模型选择qwen2:7b） -->确定

模型选择qwen2:7b

测试聊天效果

2后端api服务
说明：通过部署的本地知识库大模型，不仅可以自己使用，还可以通过api给其他应用使用
右键打开聊天api

创建密钥

3 使用python程序调用

文档地址：https://ragflow.io/docs/dev/api

代码效果测试：

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述