本项目将用 langflow 实现一个本地知识库。
Langflow 是大模型可视化组件编排工具。它可以为大模型赋能，比如可以为大模型应用增加对话记忆、文档检索等等的功能。它基本上站到了 LangChain 类似的生态位。开发大模型应用的需求通常比较 flexible，在功能和性能都满足的条件下，Langflow 可以快速实现原型开发和模块复用，是目前的效率之选。
GitHub 项目地址：langflow-rag-app
本文的内容包括：
- 介绍 RAG 的相关概念
- 使用 Langflow 实现简单的知识库
- 使用 Langflow 实现带对话记忆功能的知识库
- 使用 Langflow 实现代码检查 (code review) 功能
✨ 环境部署相关的脚本，我放在这里了 deploy.
一、RAG 的概念介绍
这一节，我们先介绍 RAG 的相关概念，
知识库 就像大语言模型的“小抄”。在回答你之前，大模型先瞅一眼小抄，看有没有和你的问题相关的内容。如果有，就会从知识库中取回相应的文本片段，再结合大模型自身的能力生成最终回答。
知识库使用了一种叫 RAG（检索增强生成） 的技术。通过 RAG，大模型可以检索我们给它的文档。比如我们给它数学、法律、金融相关的文档，它可以事先进行“消化”、“吸收”。当我们对它提问时，它就能够像真正的专家一样，结合这些领域知识回答问题。
目录：
- 提示词模板
- RAG 技术
- 文本向量化
- 向量数据库
二、简单的 RAG 应用
本节我们完成一个简单的 RAG 应用。我们将一个文档向量化后，存入向量数据库中，然后用 deepseek-r1:1.5b 模型，整合 RAG 取回的内容后输出回答。
最终的 langflow 工作流如下：
目录：
- 环境准备
- 安装 Ollama
- 安装 langflow
- 安装 chroma
- langflow 搭建工作流
- 创建一个新的 Flow
- 初始界面
- 本地改造计划
- 启动 Ollama 服务
- 添加 Ollama Embeddings 组件
- 添加 Chroma DB 组件
- 添加 Ollama 组件
- 传入文档
三、带对话记忆功能的 RAG
通过添加 Messsage History 组件，就可以为 RAG 添加对历史对话的记忆。
目录：
- Messsage History 组件
- Directory 组件
四、Langflow 实现代码检查
最后，来开发一个没用到 RAG，但是很有用的大模型应用。
工作中，我们在提交代码之前，需要找同事 code review。但是现在我们有大模型，在找同事前不先用大模型 review 一番，总感觉不尊重同事。即使有保密需求，本地部署大模型也可以满足。8G 显存就可以轻松运行 deepseek-r1:14b，在 code review 方面完全够用了。
实现一个这样的工作流特别简单，最终完成的工作流如下：
目录：
- 提示词模板
- 模型部分
- 本地提交代码