基于 RAGFlow 搭建 AI 医疗问诊助手

docker logs -f ragflow-server

5. 访问管理面板： 在浏览器中输入服务器 IP 地址（可通过 ipconfig 查看），默认端口为 80。点击 Signup 注册账号后登录。

三、本地大模型集成

为了降低 API 调用成本并保护数据隐私，建议部署本地大模型。

1. 安装 Ollama

访问 https://www.ollama.com/ 下载并安装 Ollama。

2. 下载模型

选择适合中文场景的模型，例如 Qwen2:7b 和中文 Embedding 模型。

# 列出可用模型
ollama list

# 下载千问模型
ollama run qwen2:7b

# 下载中文嵌入模型
ollama pull shaw/dmeta-embedding-zh

3. 配置 RAGFlow 连接

在 RAGFlow 管理界面中添加模型：

• 基础 URL：由于 RAGFlow 运行在 Docker 容器中，需使用 http://host.docker.internal:11434 作为 Base URL。
• 模型名称：填写下载的模型 ID（如 qwen2:7b）。
• Embedding 模型：填写 shaw/dmeta-embedding-zh。

四、知识库构建与数据加载

1. 获取医疗数据集

可以从 HuggingFace 下载专业的医疗 QA 数据集，例如 InfiniFlow 提供的 medical_QA 数据集，涵盖内科、肿瘤学、妇产科等多个领域。

2. 创建知识库

1. 登录 RAGFlow，点击右上角图标进入管理后台。
2. 选择'知识库' -> '创建知识库'。
3. 配置解析参数：
   • 语言：中文
   • 嵌入模型：选择已配置的 shaw/dmeta-embedding-zh
   • 解析方法：Q&A（针对问答对数据进行优化）
4. 上传数据集文件（CSV 格式），支持批量上传。

3. 解析与测试

上传完成后点击启动按钮开始解析。解析过程会将每个 QA 对转化为向量索引。等待解析成功后，可在知识库中进行简单的检索测试，验证召回效果。

五、应用开发与 API 调用

1. 创建助理

在'聊天'模块添加助理，配置相关参数：

• 模型选择：qwen2:7b
• 关联知识库：选择刚才创建的医疗知识库
• 系统提示词：可设定角色为专业医疗顾问，强调回答需基于知识库内容。

2. API 接口调用

RAGFlow 提供了后端 API 服务，便于集成到其他应用中。

1. 获取密钥：在聊天界面右键打开聊天 API，创建新的密钥。
2. Python 调用示例：

import requests

API_URL = "http://your-ragflow-ip/api/v1/chat"
API_KEY = "your-api-key"
headers = {"Authorization": f"Bearer {API_KEY}"}

payload = {
    "question": "感冒发烧如何用药？",
    "knowledge_id": "your-knowledge-id"
}

response = requests.post(API_URL, json=payload, headers=headers)
print(response.json())

六、常见问题与优化

1. 常见 Bug 修复

• 无法下载资源：检查 .env 中的 HF_ENDPOINT 是否配置正确，确保网络可达。
• MySQL 容器健康检查失败：尝试移除本地数据卷重启：

docker compose down -v
docker compose up -d

2. 性能优化建议

• Chunking 策略：根据文档类型调整切块大小，医疗文本建议保留上下文完整性。
• 混合检索：开启关键词检索与向量检索的混合模式，提高召回准确率。
• 缓存机制：对于高频问题，可配置缓存层减少重复计算。

七、总结

RAGFlow 作为一个先进的开源 RAG 引擎，通过其强大的功能和灵活的配置，不仅在技术上非常前沿，而且在实际应用中也展现出了巨大的潜力。无论是企业用户还是个人开发者，都可以利用 RAGFlow 提升文档处理和数据分析的效率。特别是在医疗垂直领域，RAGFlow 能够有效控制回答幻觉，结合专业医学数据库（如 PubMed）进行搜索，生成高质量可靠的回答，是构建智能医疗客服系统的理想选择。