RAG演示文档存入milvus向量数据库，并基于大模型回答用户问题

前提条件：需要有chatgpt的api-key，需要能访问chatgpt

一 、RAG是什么？

RAG检索增强生成。在实际案例使用中，把用户提问的问题传递给大模型，大模型基于用户的提问在向量数据库中进行检索，将检索到信息返回给用户。主要的应用场景有：智能客服和智能知识库。

RAG解决了什么问题：1.大模型中是没有你的私有化数据的，通过RAG可以将你的私有化数据给到大模型 2. RAG可以减少大模型产生幻觉，因为大模型回答的内容被局限到“用户提问范围内了”

二 、milvus向量数据库安装

实验环境：VMware虚拟机或者云服务器，服务器内提前安装好docker环境，milvus向量数据库在docker环境下安装比较方便。

1.验证docker环境

2.下载需要的yaml文件

详细步骤可以访问milvus官网：

https://milvus.io/docs

yaml文件中有etcd、milvus-minio、milvus-db/milvus:v2.3.12 镜像，我们先下载这3个镜像。直接使用docker pull 镜像名称xxx 下载即可

quay.io/coreos/etcd:v3.5.5 

minio/minio:RELEASE.2023-03-20T20-16-18Z   

milvusdb/milvus:v2.3.12

zilliz/attu:v2.3.9

wget https://github.com/milvus-io/milvus/releases/download/v2.3.12/milvusstandalone-docker-compose.yml -O docker-compose.yml

可以看到相关的镜像已经下载好了

3.启动milvus相关的容器

4. 启动attu

attu是milvus的一款图形化管理工具，方便对milvus进行管理

docker run -d --name=attu -p 8000:3000 -e MILVUS_URL=192.168.230.71:19530 zilliz/attu:v2.3.9

5.检查容器启动状态

docker ps
docker compose ps

三 、测试milvus数据库访问

四、python脚本通过测试RAG和milvus数据库检索用户的提问(需要rag代码请评论区留言)

将文档进行向量化并存入向量数据库

可以看到已经存入向量数据库中

测试用户提问