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

最新推荐文章于 2025-10-08 21:01:25 发布
原创 最新推荐文章于 2025-10-08 21:01:25 发布 · 731 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#milvus #chatgpt

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.2023-03-20

最低0.47元/天 解锁文章
如何用个人数据Milvus Cloud知识库构建 RAG 聊天机器人？（上）
实战AI智能体
10-27 522
我们演示了网页爬取的过程，创建了知识库，包括将文本转换成向量存储在 Milvus Cloud 中。然后，我们演示了如何提示用户进行查询，将查询转化为向量，并查询向量数据库。在本项目中，我们使用了一个单独的 notebook 将数据导入到 Milvus Cloud，而不是从 Towards Data Science 进行网页抓取。提取文章的每个段落，并使用我们的 HuggingFace 模型获得对应的向量。请注意其中的 embedding，这些数据表示了文档向量，也就是我们根据文章段落生成的向量。
LLM 回答更加准确的秘密：为检索增强生成（RAG）添加引用源
实战AI智能体
08-20 601
当前，LLM 的最大问题就是缺乏最新的知识和特定领域的知识。(https://zilliz.com/use-cases/llm-retrieval-augmented-generation) 引用源是一种通用的解决方案，可以为 LLM 应用的响应添加引用源，从而为响应提供更多上下文信息。不过，随着越来越多的文档、用例等信息被注入应用中，越来越多开发者意识到信息来源的重要性，它可以确保信息准确性，使得大模型的回答更加真实。在本示例中，我们从百科中获取了不同城市的数据，并进行查询，最终获得带引用的响应。
轻松掌握：Milvus向量数据库部署与RAG使用技巧
成长是我们永恒不变的主旋律
06-11 2752
轻松掌握：Milvus向量数据库部署与RAG使用技巧
RAG实操教程: langchain+Milvus向量数据库创建你的本地知识库
2401_85782938的博客
06-19 9167
本文主要是 Milvus 向量数据实战总结。LLM 痛点以及解决方案RAG 是什么，为什么选用RAG。langchain文档加载器，chat model文档拆分的注意点，chat model区别。chat 示例代码。
RAG之milvus向量库使用
qq_30921029的博客
05-09 799
milvus相对于chroma来说更强大，chroma适用于构建一个小的demo，而milvus可以用于开发更大规模的系统，同时可以使用图形化管理工具 Attu来管理我们的milvus向量库，让日常对向量库的查看、管理更为方便。里对比了chroma、milvus等向量库的特性，这里详解整理一下milvus向量库的使用方法。关于collection、schema、field的概念、区别。这里是milvus的教程。这里是Attu工具代码。
大模型应用开发平台Dify推出1.0版本，基于向量数据库Milvus实现RAG
ai_tech_talk的博客
03-04 4118
用 Dify 和 Milvus 搭建 RAG 系统实战指南。
二：RAG 的 “语义密码”：向量、嵌入模型与 Milvus 向量数据库实操
最新发布
2301_76989410的博客
10-08 737
摘要：本文深入解析RAG技术中的关键组件，包括向量表示、文本分割、嵌入模型和向量数据库。通过原理讲解和代码示例，演示了如何将语义转化为数字向量，采用BGE-small-zh等嵌入模型实现本地部署，并详细介绍了Milvus向量数据库的配置、存储和检索流程。文章还探讨了多模态RAG对图片的处理能力，以及Milvus与PostgreSQL的协同工作机制，为构建高效RAG系统提供了完整的技术方案。
Spring AI应用：利用DeepSeek+嵌入模型+Milvus向量数据库实现检索增强生成--RAG应用（一）（超详细）
2501_92289558的博客
06-12 1587
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了检索和生成模型的方法，旨在提高生成模型在问答等任务中的效果。RAG模型由一个检索器和一个生成器组成，检索器用于从大规模文本库中检索相关信息，然后将这些信息传递给生成器来生成回答或解释。RAG模型结合了检索的准确性和生成的灵活性，旨在解决传统生成模型在生成长文本、知识推理等方面的不足之处。通过在生成过程中利用检索到的信息，RAG能够生成更加准确和丰富的文本，并在问答任务中取得更好的效果。
【速通RAG实战：数据库】6.RAG向量数据库原理
专注AI工程化与架构实战。从分布式思维到模型部署，用工程化视角为你厘清AI落地的真实路径。
05-09 1404
在 RAG（检索增强生成）系统中，向量数据库扮演着至关重要的角色，它负责存储文本经过 Embedding 处理后的向量表示，并能高效地进行向量检索，以找出与查询向量最相似的文档。
利用 Milvus 向量数据库，带你实现大模型 GraphRAG
机器学习社区
01-10 1205
本文带领大家深入了解了GraphRAG技术，这是一种融合知识图谱来强化RAG应用的创新手段。GraphRAG特别擅长处理那些需要跨信息片段进行多步骤推理和全面回答问题的复杂任务。结合Milvus向量数据库后，GraphRAG能够高效地在庞大的数据集中探索复杂的语义联系，从而得出更精准、更深刻的分析结果。这种强强联合的解决方案，使GraphRAG成为众多实际通用人工智能（GenAI）应用中的得力助手，为理解和处理复杂信息提供了强有力的支持。
Milvus + RAG：开启智能搜索新时代，重塑AI创造力
2301_79920669的博客
02-11 1725
向量数据库是专为存储和检索高维向量数据设计的系统，能高效处理图像、文本等非结构化信息。Milvus作为一款高性能开源向量数据库，支持通过相似性搜索快速找到与目标最接近的结果，并适用于推荐系统、语义搜索等多种AI应用场景。本文档详细介绍了Milvus的安装配置、数据操作及高级查询功能，帮助开发者构建基于向量搜索的智能应用。
大模型RAG项目实战：Milvus向量数据库
weixin_52610848的博客
08-31 1195
Milvus是一款云原生向量数据库，专为海量非结构化数据的向量检索设计。它采用存储计算分离架构，支持高并发、高吞吐的向量相似度搜索，能在秒级完成十亿级数据检索。核心特性包括高性能索引、混合查询（向量+标量）、水平扩展及开发者友好的多语言支持。系统分为接入层、协调服务、执行节点和存储层，通过ETCD、Pulsar/MinIO等组件实现元数据管理、消息持久化和对象存储。作为大模型时代处理Embedding向量的关键基础设施，Milvus在AI应用如推荐系统、图像检索等领域展现出显著优势，其开源属性与云原生特性更
RAG实操教程langchain+Milvus向量数据库创建你的本地知识库 二
python122_的博客
06-21 1614
本文主要是 Milvus 向量数据实战总结。• LLM 痛点以及解决方案• RAG 是什么，为什么选用RAG。•langchain文档加载器，chat model• 文档拆分的注意点，chat model区别。• chat 示例代码。​。
轻松学会构建AI智能体（5）-部署向量数据库Milvus，大模型入门到精通，收藏这篇就足够了！
huang9604的博客
09-09 2027
Milvus 提供了Lite、Standalone和Cluster 三种交付部署模式，以满足从开发测试到大规模生产的不同需求。
基于Milvus向量数据库实现检索增强生成（RAG）
MoyiTech
05-12 4078
RAG利用了向量数据库和大型语言模型（LLM）的能力来提升回答质量。在数据的准备过程中，通过特定的加载器将各种模态的信息进行导入，由于各种信息的大小参差不齐，故需要对其进行切片处理，在将每个部分进行切片后，embedding到特定维度的向量，将源数据喝向量一起存储到向量数据库中。常见的向量数据库引擎有：FAISS、Chromadb、ES、Milvus，本文采用Milvus进行实践在调用的过程中，先将用户的提问Question进行embedding（1.直接进行embedding;
一篇文章带你学会向量数据库Milvus（一）
2401_85782938的博客
06-20 4606
向量数据库是一种专用系统，旨在通过向量嵌入和数值表示来管理和检索非结构化数据，这些数据项捕获图像、音频、视频和文本内容等数据项的本质。与使用精确搜索操作处理结构化数据的传统关系数据库不同，向量数据库在使用近似最近邻 （ANN） 算法等技术进行语义相似性搜索方面表现出色。此功能对于开发跨各个领域的应用程序（包括推荐系统、聊天机器人和多媒体内容搜索工具）以及解决 AI 和 ChatGPT 等大型语言模型带来的挑战至关重要，例如理解上下文和细微差别以及 AI 幻觉。像Milvus。
用向量数据库Milvus Cloud搭建GPT大模型+私有知识库的定制商业文案助手
实战AI智能体
11-21 575
通过使用向量数据库Milvus Cloud搭建GPT大模型和私有知识库，我们可以实现定制商业文案助手的全新应用，实现更加个性化、精准化的商业文案创作。在这个信息化和智能化的时代，定制商业文案助手将成为企业营销的得力助手，帮助企业更好地与目标客户进行沟通，提升品牌形象，增加销售量，实现商业目标。
一篇文章带你学会向量数据库Milvus（二）
2401_85782938的博客
06-21 3760
如果我们要使用自定义索引，请在index_type参数中指定特定索引类型。ini复制代码 index_params = client.create_index_params() # 准备一个 IndexParams 对象field_name="scalar_2", # 标量字段名称index_type="INVERTED", # 明确索引类型index_name="inverted_index" # 索引的名称collection_name="demo_v4", # 将索引添加到集合中。
milvus 向量数据库rag
04-23
好的，我现在需要处理用户关于使用Milvus向量数据库实现RAG（检索增强生成）的问题。首先，我应该明确用户的需求。他们可能想知道如何将Milvus集成到RAG流程中，具体的实现步骤，以及相关的应用场景。 接下来，我...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值