1 背景

前面我们手工实现过 RAG，其召回内容的准确性，依赖Embedding模型的效果，使用过程中发现了一些影响效果的痛点，比如检索精度不高、无法处理复杂文档、以及缺乏可解释性 等。
遇到的问题，有如下解法：

• 文本分割过于简单：深度学习模型、段落切分
• 检索器单一或薄弱：结合向量检索和全文检索。既能理解语义，又能精准匹配关键词
• 缺乏答案引用和溯源：答案会附带引用的原始文档片段、自行核对答案是否正确
• 提示工程薄弱：内置经过精心设计的系统提示，明确要求LLM“根据以下知识库内容回答”，并规范了回答格式

通常开源的 RAG 方案，大家听过比较多的是 RAGFlow，但我不太喜欢这款产品，因为其将文本转向量的过程真是太慢了。今天，使用另一款半开源的产品，那就是飞致云旗下的 MaxKB。所谓半开源就是可以学习使用，但不能用于商业。

2 环境准备

服务器：Ubuntu 24.04 LTS
docker：28.2.2

3 实战

Step1：部署

这款产品部署非常简单，可以直接 docker 拉起，也可以使用离线安装包进行部署。我采用的方式是在 linux 服务器上用 docker 拉起。命令为：

docker run -d --name=maxkb --restart=always -p 8081:8081 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages registry.fit2cloud.com/maxkb/maxkb

根据自己实际的情况修改主机端口的映射。拉起后，可以看到这样一个容器。

Tips: 防火墙要允许8080端口通行

然后用浏览器访问 < 你的公网 IP>:8080 就可以打开登录页面了

Step2：配置

默认的用户名密码为：

用户名: admin
密码: MaxKB@123…

1)先把模型都设置好，点击系统设置 - 模型设置，就可以添加模型了

2)这里的向量模型，我用了阿里云百炼的 text-embedding-v1

3)大语言模型，用DeepSeek-R1

4 总结

1）部署MaxKB过程中，由于服务器配置太低（2核2G），安装完成后服务器直接拒绝服务了，然后换了一台（2核4G）服务器，完美解决
2）本文只讲了MaxKB怎么部署，下次给大家讲一下怎么用