Flowise: 对接大模型实现RAG能力

吾名爱妃，性好静亦好动。好编程，常沉浸于代码之世界，思维纵横，力求逻辑之严密，算法之精妙。亦爱篮球，驰骋球场，尽享挥洒汗水之乐。且喜跑步，尤钟马拉松，长途奔袭，考验耐力与毅力，每有所进，心甚喜之。

 
吾以为，编程似布阵，算法如谋略，需精心筹谋，方可成就佳作。篮球乃团队之艺，协作共进，方显力量。跑步与马拉松，乃磨炼身心之途，愈挫愈勇，方能达至远方。愿交志同道合之友，共探此诸般妙趣。

诸君，此文尚佳，望点赞收藏，谢之！

开发层面基于LangChain4j框架实现RAG应用：CSDN 

流程图中相关组件解释：

Conversation Retrieval QA Chain:

Chat Model: 需要配置一个llm，能够注意要是能够支持Chat的模型。

Vector Store Retriever: 需要配置一个向量数据库，图中使用的是Milvus，注意Milvus需要私有化部署。

Memory：图中样例不涉及记忆功能，所以没有配置。如果需要支持记忆，则需要配置Memory组件。

Milvus：

Document：需要配置一个文档加载器，图中使用的是Pfd File加载PDF文件。

Embedding：需要配置一个向量模型，图中使用的是微软的openai向量模型包装器。

一起来看看运行效果：

优势：

Flowise是一个低代码平台，这样实现，不需要开发介入，就能实现RAG的应用系统。