RAG ：检索增强生成，检索 + 召回 + 提示词 + LLM 回答，就是给 AI 配了一本可查的书，不让它凭记忆胡说八道。

今天我们就通过一个案例来体验一下RAG是怎么工作的。

01

前置条件

前置依赖：本地dify+ollama LLM模型已搭建完成，具体参考Dify+Ollama模型搭建攻略：本地环境实战指南

02

本地部署embedding模型

# 拉取 nomic-embed-text 轻量模型（首次运行自动下载） 
ollama run nomic-embed-text
# 检查模型是否存在
ollama list

embedding是什么呢？他其实就是把一段文字，变成一个多维向量，也就是一串数字。向量检索就是通过把两句话分别进行向量量后去比较他们的相似度，我们现在部署的 nomic-embed-test 就是把文字转换成向量的工具，在查询时，把问题也转换为向量，去向量库中找相似的内容。

03

dify配置模型

我的dify版本是1.13，模型配置位于右上角：点击头像 -> 设置 -> 模型供应商 -> ollama(如未安装需要先点击安装) -> 添加模型，关键配置如下：

• 模型名称：即ollama list查出的你新下载的模型

• 模型类型：“Text Embedding”

• 基础URL：固定配置“ http://host.docker.internal:11434 ”（基于上一篇docker部署dify+本地ollama模型场景）

04

知识库配置

知识库中点击创建知识库，进入后添加文件，他会有个解析的过程，你可以手动编辑一段AI不知道的文本，用于后续测试。

设置中，索引模式选择【高质量】，Embedding 模型选择刚才添加的模型，最下方保存。

05

配置应用

应用可以复用上次的知识库聊天机器人（或直接通过模板创建【知识库+聊天机器人】）。

• 知识检索节点：知识库位置添加刚刚创建好的知识库

• LLM节点：上下文，选择 【知识检索】的result，如果是通过模板生成的应用，prompt中有一些尽量隐藏他从上下文中获取的信息，将这句话删掉，否则可能由于你的知识库中的知识，大模型自己不了解，而选择按他自己的意思来猜测，导致结果不准确。

06

效果验证

下面就可以验证了，我上传的文本中写了很简单的一句话，“openclaw是一个2026年很火的一个agent，他可以自己执行任务”，本身模型是23年的模型，他并不知道23年之后的事情，所以我问他“openclaw是什么”的时候，他本身是不知道如何回答的。

下面是他回答的结果，可以看到，在LLM节点前，他从知识库中检索到我上传的这句话，并进行解读。

怎么样，真正上手是不是发现他并没有那么难。如果遇到什么卡点欢迎评论区留言，我们一起探讨，如果你搭建成功了也欢迎评论区show一下。后续我会持续输出各种实战案例，敬请期待！

往期推荐

Python数据分析入门：从零开始玩转数据

大模型到底怎么思考？一篇看懂 Prompt、思维链、思维树

足球运动员的数据分析实战(python)