RAG（检索增强生成）解决了传统大语言模型常因知识局限而产生“幻觉”，想要低成本高效实现RAG该如何操作呢？站长百科将在下文借助阿里云Milvus和低代码AI平台Dify，快速构建企业级检索增强生成（RAG）应用，提升AI应用的回答准确性与可靠性。
一、各平台简介
1、阿里云Milvus
阿里云官网：点击直达
阿里云向量检索服务Milvus版是一款全托管向量检索引擎，100%兼容开源Milvus，在性能、稳定性、可用性、管控能力等多个方向进行大量优化的云原生化向量检索引擎。在开源版版本的基础上增强了稳定性、可用性与可扩展性，能提供超大规模向量数据的相似性检索服务。
阿里云向量检索服务Milvus版基于Serverless的架构打造产品能力，提供快速的水平和垂直集群扩展能力；同时集成了丰富的Vector检索库，凭借其高性能、高可用性的特点，支持混合查询、聚合检索、多向量查询等高阶能力，为用户提供高效且稳定的向量数据检索能力。
阿里云向量检索服务Milvus版快速上手：
- 开通阿里云Milvus服务：打开阿里云Milvus开通页面，通过资源计算器大致评估所需的计算资源规模；
- 完成权限授权并导入数据：完成权限授权以及网络安全配置，通过SDK或Attu数据可视化组件导入数据；
- 进行向量检索：使用阿里云Milvus进行向量检索，检查Milvus实例监控、报警功能，并体验更多功能。
2、Dify
Dify是一个开源人工智能应用开发平台，常用来和n8n工作流平台作比较，具有低代码的工作流和友好的用户界面的特点，其核心使命是通过将“后端即服务”（Backend-as-a-Service）与“大语言模型运维”（LLMOps）的理念深度融合，来彻底简化和加速AI应用的构建全过程。
Dify是一个全栈式的解决方案，后端层面提供了稳定可靠的API服务、数据管理等基础设施，让开发者无需从零搭建；在 LLM 运维层面，提供了一个直观的可视化提示词编排界面，让复杂的提示工程变得简单高效。其内置的高质量检索增强生成（RAG）引擎，能够轻松连接企业文档、数据库等私有知识库，让大模型基于特定领域的知识进行回答，有效减少了信息幻觉，并确保答案的准确性和可追溯性。
二、RAG系统构建条件
基于本教程的RAG系统搭建指南需要确保已经创建阿里云Milvus实例，并且开通百炼服务并获得API-KEY。
获取APP ID和Workspace ID步骤如下：
1、获取APP ID
APP ID即应用ID，通过接口调用阿里云百炼的应用（智能体、工作流或智能体编排）时，需要获取APP ID，并将代码示例中的YOUR_APP_ID替换为实际值。
前往应用管理页面，找到目标应用，您即可获取应用ID。
2、获取Workspace ID
Workspace ID即业务空间ID，是业务空间的唯一标识，一经生成即保持不变。示例：llm-7c72iiw36kd8****。通过API调用子业务空间下的应用时需要指定Workspace ID。调用默认业务空间下的应用时无需传递Workspace ID。
获取主账号下的所有业务空间ID：请前往业务空间管理界面获取。需主账号操作。如需使用子账号，请为您的子账号配置管控层权限（需AliyunBailianFullAccess或AliyunBailianControlFullAccess），否则访问页面会报错。
获取当前业务空间ID：请前往阿里云百炼控制台首页，然后单击界面左下角的小箭头图标，再单击业务空间详情获取。默认情况下，子账号只能查看已加入的子业务空间的ID。
以上不支持通过API或命令行操作。
三、阿里云Milvus和Dify平台构建RAG系统教程
1、安装与配置Dify
在开始之前，请确保本地Git、Docker、Docker-Compose安装完毕。
将dify项目通过git命令clone到本地
git clone https://github.com/langgenius/dify.git
进入目录备份.env配置文件
cd dify
cd docker
cp .env.example .env
修改配置文件.env
VECTOR_STORE=milvus
MILVUS_URI=http://YOUR_ALIYUN_MILVUS_ENDPOINT:19530
MILVUS_USER=YOUR_ALIYUN_MILVUS_USER
MILVUS_PASSWORD=YOUR_ALIYUN_MILVUS_PASSWORD
注意：用Aliyun Milvus的公网地址替换YOUR_ALIYUN_MILVUS_ENDPOINT；用Aliyun Milvus的用户名替换YOUR_ALIYUN_MILVUS_USER；用Aliyun Milvus的密码替换YOUR_ALIYUN_MILVUS_PASSWORD。
通过docker compose命令启动
docker compose up -d
安装成功验证
启动后访问http://127.0.0.1/ 进入dify的登陆页面，设置管理员账号密码，并登陆进管控台。
2、设置默认模型
在设置–模型提供商处安装模型供应商，在这里我们选用了通义千问的模型，可以将在百炼平台获取API-KEY 输入，验证绿灯即可。
系统模型设置：将通义千问对应的模型设置到每种模型处。
3、准备数据集创建知识库
接下来准备测试数据来创建知识库。
在选择数据源处选择“导入已有文本”，可使用milvus官网的中文README作为测试数据源文件
https://github.com/milvus-io/milvus/blob/master/README_CN.md
参考如下配置进行数据源的处理与保存，创建知识库。
可以看到数据库已经成功创建，并且索引创建完毕。
4、验证向量检索是否成功
通过docker logs 查看，可以看到dify日志里显示上传成功；
访问集群Attu Manager控制台，可以看到对应的collection 数据已导入。
5、验证RAG效果
- 在应用模板中创建一个knowledge retreival + chatbot作为基础模板；
- 修改knowledge retreival节点，设置前步骤的知识库；
- 修改chatbot节点，设置语言大模型，这里使用qwen-max大模型；
- 设置好后点击发布，然后点运行进入测试界面；
- 这里输入一个与知识库中内容相关的问题，可以得到答案。
如果想体验阿里云Milvus的相关能力，可以在阿里云官网搜索向量检索服务Milvus版进行体验。产品新用户也可免费领取1个月试用资格。此外阿里云为了回馈新老用户，推出了重大优惠：
阿里云向量检索服务Milvus版 限时年付5折！购买地址
-
广告合作
-
QQ群号：4114653
