RAGS快速构建与部署：节省时间最大化效率的逐步指南

快速搭建RAG应用，节省开发时间，显著提升工作效率

核心内容：

• RAG技术栈的通用性与关键作用
• 构建RAG应用的基础技术选型与实施步骤
• 快速启动RAG应用的具体操作指南与实战部署

RAG让大语言模型真正发挥价值。毫不夸张地说：在检索增强生成技术出现之前，LLM的功能十分有限，只能做简单的情感分类等琐碎任务，难以支撑实际应用。根本原因在于LLM无法实时学习——任何需要动态信息的场景，它都无法胜任。

但RAG的出现彻底改变了这一局面。它使我们能够利用实时数据构建应用，也能围绕私有数据打造智能系统。

然而，如果你去问任何一位正在搭建RAG的工程师，他们的技术栈是什么，得到的回答几乎千篇一律——就像循环播放的老磁带一样缺乏新意。所有RAG管线的前几个阶段高度相似，核心技术几乎没有替代方案。

一个典型的入门应用通常包含：Langchain（LlamaIndex是唯一的可比替代品）、ChromaDB，以及用于LLM和嵌入的OpenAI。开发环境则大多选择Docker，因为结果易于复现，跨机器共享也不成问题。

打包方面，使用最广泛的是Streamlit或Gradio。Django虽然也是一个出色的Web框架，但对于全职数据科学家来说，Streamlit或Gradio能省去大量繁琐工作。

正是因为我每次做项目都离不开这套组合，索性搭建了一个项目模板——每当有新想法时，就不必在重复性的基础工作上浪费时间。今天就把这个模板分享出来，或许你也能用它节省时间。

如何在几分钟内启动一个RAG应用程序

在深入细节之前，我们先让基础RAG应用运行起来。

前提是：你的机器上必须安装好Docker和Git，并且手头有一个有效的OpenAI API密钥。

先克隆下面的仓库：

git clone git@github.com:thuwarakeshm/ragbasics.git
cd ragbasics

在项目目录里创建一个.env文件，将OpenAI API密钥填入其中。

OPENAI_API_KEY=sk-proj-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

一切就绪后，就可以构建并运行Docker实例了。它会启动一个完整的RAG应用：

docker build -t ragbasics .
docker run -p 8000:7860 --env-file .env --name ragbasics-001 ragbasics

首次构建镜像会稍慢一些，但等服务器就绪后，打开浏览器访问https://localhost:8000，即可看到应用界面。

RAG入门模板 — 作者提供的图片。

你可以上传任意PDF文档并提交。提交后，应用会对文档进行分块，并创建向量存储。随后，你就可以针对文档提问，应用会自动给出答案。

运行中的RAG入门模板 — 作者提供的图片。

你可以立即更改什么？

这个应用远非完美，但它包含了大多数RAG应用的共同元素。

此外，有几样东西是经常需要调整的。其中最重要的是RAG的提示词（prompt）。最终的响应通过一次LLM调用生成，而检索到的信息则作为上下文。这个提示模板直接决定了响应质量。

模板里使用的只是一个基础版本——要求LLM根据上下文回答问题。但如果你想要更高质量的回复，或者想避免某些特定查询被响应，那就需要对它进行修改。

因为它太常见了，所以已经将它从pyproject.toml文件中提取出来。你无需深入代码库，直接在配置文件里就能指定提示词。

另一个经常调整的是分块策略。

分块，就是把大文档切成小块（理想情况下每块只有一个完整的概念）。递归字符分割和Markdown分割是两种最主流的做法。

递归字符分割把所有内容都当作文本处理，创建一个移动的块窗口。比如块大小设为1000、重叠设为200，那么移动窗口就会把前1000个字符放进去，接下来是第201到第1200个字符，依此类推。使用这种策略时，通常需要调整块大小和重叠度，这些都能在pyproject.toml里直接修改。

如果文档本身已经是Markdown格式，那就更好了——你可以利用Markdown的结构信息，创建出更有信息量的相关块。同样，这也是通过配置文件完成的。下面是一个示例：

[chunking]
strategy = "recursive_character_text_splitter"
chunk_size = 1000
chunk_overlap = 200

## strategy = "markdown_splitter"
## headers_to_split_on = ["##", "###", "####", "#####", "######"]
## return_each_line = true
## strip_headers = false

[rag_prompt]
prompt_template = """
Answer the question in the below context:
{context}

Question: {question}
"""

如果想给应用添加新的分块技术，实现起来也很简单——实现ChunkingStrategy抽象类，再在Chunker类里注册它即可：

## Create a chunking strategy
## chunking/your_chunking_stragey.py

from typing import List
from chunking.chunking import ChunkingStrategy
from langchain.docstore.document import Document

class YourChunkingStrategy(ChunkingStrategy):

    def chunk(self, documents: List[Document]) -> List[Document]:
        # implement your own chunking technique here
        pass

## Register the new chunking strategy
## chunking/__init__.py

from chunking.your_chunking_stragey import YourChunkingStrategy
class Chunker:
    def __init__(self):
        ...
        elif config["chunking"]["strategy"] == "your_chunking_strategy":
            self.chunking_strategy = YourChunkingStrategy()
        else:
            raise ValueError(f"Invalid chunking strategy: {config['chunking']['strategy']}")

许多工程师在分块上花费了大量时间，但说实话，没有哪种方法绝对优于其他。我之前已经记录过一些关于分块的体会——这本质上是一个需要调整许多超参数的实验过程。

有了这样一个模板，就能更快地完成实验，也能更轻松地和他人沟通整个流程。

部署到Huggingface

应用搭建好之后，下一步就是部署。

选项很多，但Huggingface Spaces对数据科学家来说既简单又流行，所以这里就用它来完成部署。

为什么选择Docker？

主要使用Docker封装器来构建应用，原因有几个。

第一，方便共享。与同事分享后，应用几乎总能在他们的机器上以完全一致的方式运行。

第二，扩展灵活。例如，如果想使用Neo4J而不是向量存储来创建知识图谱，只需创建一个docker-compose，往里添加一个Neo4J容器即可。

第三，Docker与Huggingface的兼容性良好。你可以快速将Docker容器部署到HF Spaces。示例中的Gradio本身就和HF Spaces兼容，但Docker用起来更灵活。

转到HF Spaces，创建一个新的Space。如果按照本例操作，免费的CPU选项就足够使用。对于更复杂的应用，则需要更多资源。

创建HF空间 — 作者的截图。

确保为空间SDK选择Docker，并选一个空白模板。

创建完成后，你会看到关于克隆和更新空间仓库的说明。将其克隆到本地，将项目文件复制进去，再推回空间。

注意：不要直接将.env文件推送到HF Spaces。

cd 
git clone  hfspace
cp -r app.py Dockerfile pyproject.toml requirements.txt chunking hfspace
git add .
git commit -m "Deploying basic RAG app"
git push

推送之后，HF空间会构建并部署你的Docker容器。

HF空间构建和部署Docker容器 — 作者的图片

但应用目前还不可用——还记得刚才推送时跳过了.env文件吗？必须通过HF Space的设置来安全地提供环境变量。

在HF空间的“设置”选项卡中的“变量和密钥”部分，单击“新建密钥”，输入OPENAI_API_KEY变量。

在HF Space中添加环境变量 — 作者的截图。

密钥保存后，应用会自动重启。现在就可以访问空间，看到应用实时运行了。

部署到Huggingface空间的基本RAG — 作者的截图。

最后的想法

检索增强型应用无疑是LLM的主要用例之一。但大多数RAG应用都共用同一套技术栈，导致工程师们反复在基础工作上耗费精力。

正因如此，我才创建了这个模板项目——每次想启动RAG应用时，它都能派上用场。这篇文章就是关于这个模板的。你可以直接拿来用，快速构建并部署RAG应用至Spaces；当然，也完全可以仿照它创建一个类似的模板，从此再也不必为样板文件发愁。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：RAGS快速构建与部署：节省时间最大化效率的逐步指南要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题