82 lines
2.0 KiB
Markdown
82 lines
2.0 KiB
Markdown
# RAG 功能配置说明
|
||
|
||
> [!WARNING]
|
||
> 新版本将向量库从 qdrant 变更为 supabase，请注意相关参数变更！
|
||
|
||
## 效果图
|
||
|
||
|
||
|
||
## 原理
|
||
|
||
以下为早期实现原理，部分逻辑与最新版本存在差异，仅供参考
|
||
|
||
|
||
|
||
## 使用须知
|
||
|
||
- 由于接口中使用 nodejs 运行时，在 vercel 环境下接口可能会超时，建议使用 docker 部署
|
||
- 由于其他插件会影响到模型对 RAG 检索插件的调用，所以目前的做法是上传文件后默认只保留 RAG 插件的开启，其他插件将被禁用
|
||
- 已创建的向量数据不会删除
|
||
- 同一聊天窗口内即使“清除聊天”也可以访问已经上传的文件内容
|
||
|
||
## 支持的文件类型
|
||
|
||
- txt
|
||
- md
|
||
- pdf
|
||
- docx
|
||
- csv
|
||
- json
|
||
- srt
|
||
- mp3 (基于OpenAIWhisper)
|
||
|
||
## 配置
|
||
|
||
1. 登录 https://supabase.com 并创建一个账户
|
||
2. 在控制面板中创建一个项目
|
||
3. 在 `Project Settings` `API Settings` 中获取 `URL` 和 `service_role secret`
|
||
4. 完善下面的环境变量配置后即可使用
|
||
|
||
## 环境变量
|
||
|
||
### `ENABLE_RAG`
|
||
|
||
如果你想启用 RAG 功能，将此环境变量设置为 1 即可。
|
||
|
||
### `SUPABASE_URL`
|
||
|
||
supabase 项目 url。
|
||
|
||
### `SUPABASE_PRIVATE_KEY`
|
||
|
||
supabase 项目 service_role secret。
|
||
|
||
### `RAG_CHUNK_SIZE` （可选）
|
||
|
||
分割后文档的最大大小（按字符数计算），默认：2000。
|
||
|
||
### `RAG_CHUNK_OVERLAP` （可选）
|
||
|
||
分割文档时块重叠数量，默认：200。
|
||
|
||
### `RAG_RETURN_COUNT` （可选）
|
||
|
||
检索时返回的文档数量，默认：4。
|
||
|
||
### `RAG_EMBEDDING_MODEL` （可选）
|
||
|
||
向量化时使用的向量模型，默认：text-embedding-3-large。
|
||
可选项：
|
||
|
||
- text-embedding-3-small
|
||
- text-embedding-3-large
|
||
- text-embedding-ada-002
|
||
|
||
### `OLLAMA_BASE_URL` （可选）
|
||
|
||
新增支持 ollama embedding 模型支持。
|
||
|
||
此处配置为 ollama 服务地址，如：http://localhost:11434
|
||
|
||
配置后请修改参数 `RAG_EMBEDDING_MODEL` 为 ollama 的 embedding 模型名。 |