引言:为什么手握海量数据，却用不出真正的“智能”？要么AI模型学艺不精，答非所问；要么技术门槛太高，让普通开发者望而却步。现在，使用阿里云Milvus向量检索服务、DeepSeek大模型和PAI LangStudio开发工具，只需像搭积木一样，将其进行简易拼接，就能轻松搭建一套‘能查会想’的RAG系统。接下来将基于阿里云的人工智能平台PAI LangStudio，结合阿里云向量检索Milvus版的强大能力，并以DeepSeek-R1-Distill模型为例，为您详细介绍大模型RAG检索增强解决方案。当然如您需要更高配置的DeepSeek R1模型来满足使用需求，也可以复用以下技术链路来进行实现。
重大优惠：阿里云向量检索服务Milvus版产品全部规格，年付通通5折！
阿里云Milvus+DeepSeek + PAI LangStudio搭建智能问答助手，支持私域知识库和联网功能
Step 1: 创建阿里云 Milvus实例的实例
可根据指引完成创建：https://help.aliyun.com/zh/milvus/getting-started/quickly-create-a-milvus-instance
请注意，Milvus实例和后续通过PAI LangStudio创建的Embedding服务、LLM服务须在相同地域内。
Step 2 : 将RAG知识库上传至OSS中
本文针对金融、医疗场景提供以下示例语料：
- 金融新闻：数据为PDF格式，主要内容为公开新闻网站上的新闻报道。
- 疾病介绍：数据为CSV格式，主要内容为维基百科上的疾病介绍。
Step 3 ：部署 DeepSeek 模型和Embedding模型
- 前往PAI控制台的快速开始 > ModelGallery，分别按场景选择大语言模型及Embedding分类，并部署指定的模型。本文以DeepSeek-R1-Distill-Qwen-7B和bge-m3 通用向量模型为例进行部署。
如果您想完整体验DeepSeek模型，请选择DeepSeek-R1或DeepSeek-V3。
- 前往任务管理，单击已部署的服务名称，在服务详情页签下单击查看调用信息，分别获取前面部署的DeepSeek大预言模型和Embedding模型服务的VPC访问地址和Token，供后续创建连接时使用。
Step 4 ： 创建连接
A. 创建LLM服务连接
- 进入LangStudio，选择工作空间后，在连接管理页签下单击新建连接。
- 创建通用LLM模型服务连接。单击
EAS 服务，从弹出的抽屉中选择已部署的服务，会自动填充base_url和api_key。
B. 创建Embedding模型服务连接
同创建LLM服务连接，创建通用Embedding模型服务连接。其中base_url和api_key分别对应部署DeepSeek大语言模型和Embedding模型中Embedding模型的VPC访问地址和Token。
C. 创建向量数据库连接
同创建LLM服务连接，创建Milvus数据库连接。
关键参数说明：
- uri：Milvus实例的访问地址，格式为
http://。
您可以在阿里云Milvus控制台的Milvus实例的实例详情页面查看。例如，http://c-b1c5222fba****-internal.milvus.aliyuncs.com。
- token：登录Milvus实例的用户名和密码，填写格式为
:。 - database：数据库名称，本文使用默认数据库
default。
Step 5：创建离线知识库
新建知识库索引，将语料经过解析、分块、向量化后存储到向量数据库，从而构建知识库。
新建知识库索引详细配置请参见：https://help.aliyun.com/zh/pai/user-guide/knowledge-base-index-management。
Step 6： 创建并运行RAG应用流
- 进入LangStudio，选择工作空间后，在应用流页签下单击新建应用流，模板类型选择RAG，创建RAG应用流。
- 启动运行时：单击右上角启动运行时并进行配置。注意：在进行Python节点解析或查看更多工具时，需要保证运行时已启动。
注意专有网络配置：选择创建Milvus实例时的专有网络。
- 开发应用流。应用流中的其余配置保持默认或根据实际需求进行配置，关键节点配置如下：
- index_lookup：在知识库中检索与用户问题相关的文本。
- registered_index：配置为已创建的知识库索引。
- query：用户问题。
- top_k：返回top_k条匹配的数据。
- generate_answer：使用过滤后的文档作为上下文，与用户问题一起发送给大语言模型，生成回答。
- connection：选择创建LLM服务连接中创建的连接。
- model：输入default。connection也可选择的是百炼大模型服务连接。
- max_tokens：设置最大token数，本例设置为1000。
- 调试/运行：单击右上角对话， 开始执行应用流。
- 查看链路：单击生成答案下的查看链路，查看Trace详情或拓扑视图。
Step 7： 部署应用流
在应用流开发页面，单击右上角部署，部署参数其余配置保持默认或根据实际需求进行配置，关键参数配置如下：
- 资源部署信息 > 实例数：配置服务实例数。本文部署仅供测试使用，因此实例数配置为1。在生产阶段，建议配置多个服务实例，以降低单点故障的风险。
- 专有网络配置 > VPC：配置Milvus实例所在的专有网络。
更多部署详情，请参见https://help.aliyun.com/zh/pai/user-guide/application-flow-deployment。
Step 8： 调用服务，进行对话
部署成功后，跳转到PAI-EAS，在在线调试页签下配置并发送请求。请求参数中的Key与应用流中输入节点中的"Chat 输入"字段一致，本文使用默认字段question。输入以下内容。
{ "question":"请根据最新的新闻报道，分析美国科技行业目前投资分管性如何，是否存在泡沫，给出是或否的具体回答" }
更多调用方式（如API调用）及详细说明，请参见https://help.aliyun.com/zh/pai/user-guide/application-flow-deployment#a6da6114b6zhn。
开启联网搜索
如果您希望使用DeepSeek-R1模型，快速构建具备联网搜索与RAG（检索增强生成）功能的智能应用流，可以参见Chatbot with RAG and Web Search。
立即体验
我们诚邀您立即体验阿里云向量检索服务Milvus版的强大功能！您只需登录阿里云账号，进入向量检索服务 Milvus 版产品控制台，即可创建阿里云 Milvus 实例，开箱即用。
此外，为回馈新老用户，阿里云Milvus推出了重大优惠：
向量检索服务Milvus版产品全部规格，年付通通5折！
阿里云向量检索服务 Milvus 版，将持续打磨产品，不断优化产品的功能、性能和使用体验，为用户提供更加专业、灵活、高效的向量搜索引擎服务，助力企业轻松应对海量非结构化数据管理挑战，实现业务价值最大化，欢迎大家体验！
