为什么第一篇不写代码？

因为一眼看到终点，比闷头赶路更重要。这个专栏最终要带你构建一套生产级的企业技术文档RAG知识库问答系统，顺便扩展出电商客服、法律条文检索、医疗文献问答几个分支场景。

30篇文章之后，你会有一个完整项目 + 3套可复用的场景方案，直接写进简历。但今天，先不写逻辑代码。你要在10分钟内，用Docker一键启动最终会实现的4个场景Demo。先跑通完整效果，再拆砖。

---

1.1 你需要准备什么

一台内存不低于8GB的电脑，以及两个已装好的工具：

• Docker 和 Docker Compose（版本 ≥ 2.0）

• Git

没装过Docker的，去官网下载Docker Desktop装好，Compose插件默认就带上了。

---

1.2 拉取仓库

专栏所有代码、配置文件、数据集都放在同一个仓库。打开终端：

bash

git clone https://github.com/csdn-ai-column/rag-system-30.git
cd rag-system-30

目录结构长这样：

text

rag-system-30/
├── demo/                    # 一键启动所有场景Demo
│   ├── docker-compose.yml
│   ├── env.example
│   └── ...
├── stage01_env/             # 第2~4篇 环境与工具链
├── stage02_rag_core/        # 第5~10篇 RAG核心
├── stage03_serve/           # 第11~16篇 服务化
├── stage04_scenarios/       # 第17~24篇 场景扩展
├── stage05_prod/            # 第25~30篇 生产化与交付
└── README.md

---

1.3 配置模型与密钥

Ollama管理本地开源模型，云端Embedding接口提供稳定的检索效果，你需要复制并修改环境变量：

bash

cd demo
cp env.example .env

编辑 .env 填入API Key：

ini

# 大模型问答（本地Ollama或云端API）
LLM_PROVIDER=ollama             # 也可以是 openai
LLM_MODEL=qwen2.5:7b            # 你本地已拉好的模型名
# 如果用云端API，取消下面注释
# OPENAI_API_KEY=sk-xxxx
# OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

# Embedding模型（推荐云端）
EMBEDDING_PROVIDER=openai
EMBEDDING_MODEL=text-embedding-v3

为什么Embedding用云端？本地跑嵌入模型吃资源，且云端在大规模中文检索上效果更好，第8篇会详细对比。

---

1.4 一键启动四个场景

确保在 demo/ 目录下：

bash

docker-compose up -d

它会依次拉起这些容器：

服务名	用途	端口
ollama	本地大模型服务（自动拉取 qwen2.5:7b）	11434
chroma	向量数据库	8001
api-server	核心RAG服务（FastAPI）	8000
web-frontend	统一问答前端（Vue3）	3000
scenario-ecom	电商客服场景后端	8002
scenario-legal	法律条文检索场景	8003
scenario-medical	医疗文献问答场景	8004

首次启动需要拉取镜像和模型，网络好几分钟，慢的话可能十几分钟。想看进度，可以：

bash

docker-compose logs -f

看到 api-server 输出 Uvicorn running on... 就说明准备好了。

---

1.5 四个场景怎么玩

浏览器打开 http://localhost:3000。

场景1：技术文档助手（主项目）

界面默认是技术文档助手，已经预置了一份模拟的企业内部文档库（微服务架构规范、API设计指南、数据库规范等）。试试：

• “微服务之间应该使用什么协议通信？”

• “数据库索引优化有哪些规范？”

系统会检索文档段落，生成带引用标记的答案。

场景2：电商智能客服

右上角切换场景到电商客服。数据是某电商平台的FAQ（退货政策、物流查询、优惠活动）。问：

• “买的东西不满意，怎么退货？”

• “我的快递到哪儿了？”

短文本的切分策略这里做了专门调优（第7篇），回答中还能嵌入商品链接（第17篇）。

场景3：法律条文检索助手

切换到法律条文。我们索引了《中华人民共和国民法典》部分条文。试：

• “合同纠纷的诉讼时效是多久？”

• “高空抛物谁承担责任？”

回答会附上具体法条出处，点击看原文——第20篇细说引用与高亮实现。

场景4：医疗文献问答（脱敏示例）

切换到医疗文献。数据来自公开医学文献摘要，已脱敏。问：

• “二甲双胍的主要副作用有哪些？”

• “最近治疗阿尔茨海默病有什么新突破？”

这个场景展示了如何处理高精度要求和安全护栏（第21篇）。

---

1.6 停下来，想一下

现在4个AI应用在你本地跑通了。关闭它们也简单：

bash

docker-compose down

还没写一行Java代码，你就可以拥有一个大模型+向量检索+多场景的完整系统。AI工程化里，大量能力已经被开源工具封装好了，你真正要写的，是把它们串起来的那层胶水逻辑。