本文介绍了一种轻量级RAG（检索增强生成）方案，帮助前端工程师等需要管理大量文档、资料的人群，快速搭建个人知识库。该方案基于开源项目二次开发，仅需Ollama和Qdrant两个组件，即可在普通笔记本电脑上运行。通过RAG技术，实现对文档的智能问答，提高检索效率，解决传统文档管理方式的痛点。文章详细介绍了RAG的核心概念、工作原理、以及部署实践，并强调了轻量级方案的优势，为个人用户提供了一种低成本、高效率的知识管理解决方案。

💡 RAG技术是核心：RAG（检索增强生成）通过结合文档检索和AI生成，让AI能够基于文档内容给出更准确、有依据的答案，如同考试时可以“翻书”。

💾 向量数据库是关键：向量数据库将文档转换为数字形式存储，实现对文档语义的理解，从而快速找到与问题最相关的内容片段。

⚙️ 轻量级方案的优势：该方案仅需Ollama和Qdrant，部署简单，资源占用低，支持本地模型，数据安全，适合个人用户搭建个人知识库。

🛠️ 部署流程：文章提供了详细的部署步骤，包括环境准备、系统配置、Milvus向量数据库部署、模型下载与配置、Python环境配置、项目配置与部署、功能测试与验证，方便用户快速上手。

✅ 实际价值：该方案能够以最小的成本获得企业级RAG能力，适用于处理个人文档、学习资料或项目知识库，既保护隐私又提供智能问答体验。

原创 尹珉 2025-06-16 18:32 上海

多数前端开发工程师可能都面临这样一个困境：每天需要查阅大量技术文档、项目规范和学习资料。

多数前端开发工程师可能都面临这样一个困境：每天需要查阅大量技术文档、项目规范和学习资料。传统的文件夹分类和搜索方式效率低下，经常为了找一个API用法翻遍整个项目文档。

一些大公司，可能会采用企业级知识库方案，通过智能问答来解决这个问题。但问题是：

1、不是所有公司都有这个预算

2、个人部署一套企业级知识库，环境配置复杂、学习门槛高，对新手极不友好

3、使用企业级知识库的平替，在线服务又会出现数据隐私泄露风险。

当然，以上问题不止是前端会遇到，所有有复杂文档管理、检索需求的朋友，其实都会遇到。

那怎么解决？这篇“milvus_local_rag”指南正是为你准备的。

这个轻量级RAG方案，用一台普通笔记本就能搭建起个人知识库，查询响应时间，也可以从几分钟缩短到几秒钟。

（备注：本项目是基于Shubham Saboo作者开源的awesome-llm-apps项目二次开发完成的。）

01

核心概念解释

在开始之前，让我们先了解几个关键概念，这样后续的操作会更加清晰：

RAG（检索增强生成）：简单来说，就是让AI在回答问题时，先从你的文档库中找到相关信息，再基于这些信息给出答案。就像考试时可以"翻书"一样，让AI的回答更准确、更有依据。

向量数据库：把文档转换成数字形式存储的"智能仓库"。它能理解文档的含义，当你提问时，能快速找到最相关的内容片段。

嵌入模型：负责把文字转换成数字的"翻译官"。它能理解文字的语义，让计算机也能"读懂"文档内容。

02

RAG工作原理：从文档到智能问答的完整流程

了解了基本概念后，让我们看看整个系统是如何工作的：

这个流程确保了AI的回答既基于你的文档内容，又具备良好的理解能力。

03

为什么选择轻量级方案？

这是一个专为个人用户设计的轻量级RAG项目，核心思路是用最少的依赖实现最完整的功能。本文作者对awesome-llm-apps项目源代码进行了调整，整个系统只需要Ollama和Qdrant两个组件，一条命令就能启动完整的本地知识库。

核心特点：

真正的本地化：支持Qwen、Gemma等多种本地模型，数据完全不出本地

极简部署：无需复杂环境配置，Docker一键启动向量数据库

智能检索：文档相似度搜索+网络搜索双重保障，确保答案质量

灵活切换：可在纯RAG模式和直接对话模式间自由切换

实际价值：让你用最小的成本获得企业级RAG能力，适合处理个人文档、学习资料或项目知识库，既保护隐私又提供智能问答体验。

04

实践部署

（1）环境准备要求

本教程不含Python3、Conda以及Ollama安装展示，请自行按照官方手册进行配置。

相关官网链接：

Python3官网：https://www.python.org/

Conda官网：https://www.anaconda.com/

Milvus官网：https://milvus.io/docs/prerequisite-docker.md

Ollama官网：https://ollama.com

Docker官网：https://www.docker.com/

（2）系统环境配置表

（3）Milvus向量数据库部署

 Milvus简介

Milvus是由Zilliz开发的全球首款开源向量数据库产品，能够处理数百万乃至数十亿级的向量数据，在Github获得3万+star数量。基于开源Milvus，Zilliz还构建了商业化向量数据库产品Zilliz Cloud，这是一款全托管的向量数据库服务，通过采用云原生设计理念，在易用性、成本效益和安全性上实现了全面提升。

部署环境要求

必要条件：

软件要求：docker、docker-compose

CPU：8核

内存：至少16GB

硬盘：至少100GB

下载部署文件

wget https://github.com/milvus-io/milvus/releases/download/v2.5.12/milvus-standalone-docker-compose.yml -O docker-compose.yml

启动Milvus服务

docker-compose up -d

docker-compose ps -a

（4） 模型下载与配置

下载大语言模型

# 下载Qwen3模型
ollama pu
ll qwen3:1.7b

 下载嵌入模型

# 下载embedding模型
ollama pull snowflake-arctic-embed

验证模型安装

# 查看已安装模型列表
ollama list

（5）Python环境配置

创建虚拟环境

# 创建conda虚拟环境
conda create -n milvus
# 激活虚拟环境
conda activate milvus
项目代码获取

# 克隆项目代码
git clone https://github.com/yinmin2020/milvus_local_rag.git

依赖包安装

# 安装项目依赖
pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
（6）项目配置与部署

参数配置说明

关键配置参数：

COLLECTION_NAME：自定义集合名称（必须配置）
"uri": "tcp://192.168.7.147:19530"：Milvus连接地址（必须修改为实际地址）
 启动应用服务

# 启动Streamlit应用
streamlit run release.py

（7）功能测试与验证

访问应用界面

应用启动后会自动跳转到Web界面，通常地址

http://localhost:8501

文档上传测试

在Web界面中选择文档上传功能

上传测试PDF文档（建议使用Milvus相关介绍文档）

等待文档处理完成

RAG功能验证

测试查询示例：

milvus向量查询能力有哪些？

通过此查询可以验证：

向量数据库检索功能

RAG（检索增强生成）能力

问答系统的准确性

05

写在最后

回望文章开头提到的那些令人望而却步的部署障碍：做RAG为什么要让简单的事情变得复杂？

其实，企业级知识库流行的同时，轻量级RAG也逐渐成为了个人侧的主流趋势。

轻量级RAG最大的价值在于各种成本低，能解决的问题很实在。几行代码就能让文档"活"起来，能问能答，而且简单好用，是很多中小企业或者个人用户入门RAG的第一步。

如对本教程仍有不理解的地方，欢迎扫描文末二维码交流。

阅读原文

跳转微信打开