本地知识库+本地大模型，借助RAGFlow搭建医院医疗问诊助手，纯本地，超实用！(相关数据集和代码文末获取)

使用Huggingface上的开源医疗数据集，借助 RAGFlow 搭建自己的本地医疗问诊助手。

纯本地构建：本地知识库+本地向量化模型+本地大模型
medical_QA+shaw/dmeta-embedding-zh+qwen2:7b

原理：RAGFlow是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。它的作用是可以让用户创建自有知识库，根据设定的参数对知识库中的文件进行切块处理，用户向大模型提问时，RAGFlow先查找自有知识库中的切块内容，接着把查找到的知识库数据输入到对话大模型中再生成答案输出

ragflow最大特点：不同的解析方法，支持丰富的文件类型，如Word、PPT、excel表格、csv/txt、图片、PDF、结构化数据、网页等
具体可以在本地部署成功后，在解析方法中查看

接下来，开始进入使用阶段，起舞··**

一 使用自带的 WSL 安装 Ubuntu-22.04 系统**

什么是WSL？WSL（Windows Subsystem for Linux）是微软开发的一项技术，允许用户在Windows系统中直接运行完整的Linux环境，无需虚拟机。通过操作系统级虚拟化，WSL将Linux子系统无缝嵌入Windows，提供原生Linux命令行工具、软件包管理器及应用程序支持。它具有轻量化、文件系统集成、良好的交互性及开发效率提升等优点，消除了Windows与Linux之间的隔阂，尤其适合开发者和需在Windows平台上使用Linux工具的用户。

1 启用window子系统及虚拟化

控制面板->程序和功能->启用或关闭window功能 或者：
win + r 键入 OptionalFeatures，直接打开
提示：winver查看 windows 系统版本：

最后，重启电脑后生效

2 将wsl，升级为wsl2

参考文章：zhuanlan.zhihu.com/p/704855705
说明：win默认系统自带了wsl，直接管理员身份打开cmd执行相关操作

**相关命令：
**

wsl --update #升级到最新版本（wsl2）``wsl --list --online # 查看所有可用的发行版``wsl --install -d Ubuntu-22.04 # 安装 Ubuntu-22.04 系统``wsl -l -v # 显示当前安装了哪些系统``wsl --set-default-version 2 #设置wsl默认版本为wsl2``wsl.exe --set-version Ubuntu-22.04 2 #设置Ubuntu-22.04为 wsl2``wsl.exe --set-version Ubuntu-22.04 1 #设置为wsl1``wsl -d Ubuntu-22.04 #登录到Ubuntu环境

建议：wsl升级并设置默认版本为wsl2

3 启动操作安装的linux
使用 wsl：在 cmd（或powershell）输入 wsl（或者：wsl -d Ubuntu-22.04）
cat /etc/os-release #查看 Linux 的版本

设置时区命令：

timedatectl # 检查当前设置的时区  
sudo timedatectl set-timezone Asia/Shanghai # 将时区设置为中国标准时间  
timedatectl # 确保时区已经正确设置

操作 Linux 文件:
windows 文件资源管理器-> Linux 的标志，点击 Linux 就可以

二 安装win桌面版docker

win桌面版 地址:
www.docker.com/products/docker-desktop/
下载完之后，按照提示，一直点就行了哈

提示：因为安装完成后镜像很大（44G左右），默认会安装在C盘，建议更改到其他空闲盘

更改方法：设置–>Resourses

以下本项目用不到，可以忽略，因为docker用的是win桌面版docker

linux (学习在ubuntu上安装docker和docker compose)

安装docker ：
https://zhuanlan.zhihu.com/p/651148141

安装 docker compose：

curl -SL https://github.com/docker/compose/releases/download/v2.29.6/docker-compose-linux-x86_64 -o /usr/local/bin/docker-compose #下载 docker-compose程序包``sudo chmod +x /usr/local/bin/docker-compose #添加可执行权限``docker-compose -v #查看版本

三 部署启动ragflow

以下命令在git bash 中执行

ragflow仓库：
github.com/infiniflow/ragflow/blob/main/README_zh.md

软硬件要求：硬件：CPU ≥ 4 核 ; 内存≥ 16 GB; 磁盘空间 ≥ 50 GB; 软件：Docker版本 ≥ 24.0.0 ；Docker Compose 版本 ≥ v2.26.1

#查看版本docker -vdocker compose version

启动部署服务器:

#1 克隆仓库``git clone https://github.com/infiniflow/ragflow.git``   ``#2 使用Docker镜像启动服务器（45 GB左右，约2小时左右）``修改./docker/.env的45行，把HF_ENDPOINT 设成相应的镜像站点``HF_ENDPOINT=https://hf-mirror.com``$ cd ragflow/docker``$ chmod +x ./entrypoint.sh``$ docker compose -f docker-compose.yml up -d``   ``# 3 确认服务器状态``docker logs -f ragflow-server

5 在浏览器中输入服务器对应的IP地址并登录RAGFlow (可在终端中用 ipconfig 查看ip)

点击signup注册，填入电邮地址和密码后，返回登录页，用刚刚注册的电邮地址和密码登录。

docker相关命令

sudo docker images # 查看镜像``docker ps # 列出正在运行的容器``# 进入名为 ragflow-server 的容器``docker exec -it ragflow-server /bin/bash``cd /ragflow``ls``# 退出容器``exit

相关bug:
bug1:无法正常下载（If inside mainland China）
解决1：修改./docker/.env的45行，把HF_ENDPOINT 设成相应的镜像站点

bug2: dependency failed to start: container ragflow-mysql is unhealthy
解决2：docker compose down -v #移除所有本地数据
docker compose up -d

四 安装本地大模型LLM

安装ollama(一步步点就行)
地址：https://www.ollama.com/

下载qwen2:7b模型(4.4GB)阿里的千问大模型对中文很友好，所以选择它
说明，ollama中有许多开源模型，都可自行本地下载

ollama list #列出模型``ollama run qwen2:7b #下载运行模型``ollama rm          #删除模型``ollama show  #显示模型信息

下载Embedding模型
说明：一个免费的中文的向量化模型

ollama pull shaw/dmeta-embedding-zh``ollama list

最后用浏览器打开 http://localhost:11434
可以看到页面中显示：Ollama is running

五 下载医疗数据集

地址：
huggingface.co/datasets/InfiniFlow/medical_QA

medical_QA(医疗问诊助手数据集)，它基于 PubMed 的数百万英文医疗论文，以及一些其他数据集，涵盖多个不同领域具有代表性的专业医疗数据，借助于 Agent 机制，提供中文问诊对话服务
ChatMed_Consult-v0.3.CSV 医疗咨询
Internal medicine_QA_all.csv 内科_QA_all.CSV
Medical Oncology_QA_all.csv 医学肿瘤学_QA_all.CSV
OB GYN_QA_all.csv 妇产科_QA_all.CSV
Pediatrics_QA_all.csv 儿科_QA_all.CSV
Andrology QA.CSV 男科QA.CSV S
urgical_QA_all.csv 外科_QA_all.CSV

公众号回复ragflowDir,免费领取相关数据集

六 RAGFlow 的使用

首先登录ragflow,进入后点击右上角图标

1 添加下载的本地千问模型和向量化模型

模型均在“第四步”做了安装
qwen2:7b:做问答chat的大模型
shaw/dmeta-embedding-zh:做embedding的，本地知识做向量化索引的

点击添加模型->按照如下添加向量化模型

因为ragflow使用的是docker，而ollama是在本地运行的，所以基础url为
base URL：http://host.docker.internal:11434

添加成功发后结果如下

2 创建知识库
2.1点击上方知识库–>创建知识库

2.2添加配置文件 语言选择中文，嵌入模型选择自己下载的，解析方法选择Q&A

2.3新增文件->上传第五步下载的医疗数据集QA

说明：如果不能一起上传，就单个上传

3 开始解析，等待成功 上传后点击右边放启动按钮，开始解析，等待解析成功，我这里文件80M左右，大约90分钟
原理：将每个QA对做成向量，用于提问后的匹配检索

4 检索测试 简单测试下知识库的相关搜索性

七 功能测试与使用

1 聊天（添加助理）

聊天–>添加助理–>配置相关参数（模型选择qwen2:7b） -->确定

模型选择qwen2:7b

测试聊天效果

2后端api服务
说明：通过部署的本地知识库大模型，不仅可以自己使用，还可以通过api给其他应用使用
右键打开聊天api

创建密钥

3 使用python程序调用

文档地址：https://ragflow.io/docs/dev/api

代码效果测试：

说明：测试代码太多了，就不贴了

最后

希望对大家有用，收集自己的行业数据集，快速在本地部署属于自己的专有大模型

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。

内容：

• L1.1 人工智能简述与大模型起源
• L1.2 大模型与通用人工智能
• L1.3 GPT模型的发展历程
• L1.4 模型工程
• L1.4.1 知识大模型
• L1.4.2 生产大模型
• L1.4.3 模型工程方法论
• L1.4.4 模型工程实践
• L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

内容：

• L2.1 API接口
• L2.1.1 OpenAI API接口
• L2.1.2 Python接口接入
• L2.1.3 BOT工具类框架
• L2.1.4 代码示例
• L2.2 Prompt框架
• L2.3 流水线工程
• L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

内容：

• L3.1 Agent模型框架
• L3.2 MetaGPT
• L3.3 ChatGLM
• L3.4 LLAMA
• L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

内容：

• L4.1 模型私有化部署概述
• L4.2 模型私有化部署的关键技术
• L4.3 模型私有化部署的实施步骤
• L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉👈

​