01部署准备
准备阿里云账号，并开通DashScope。
02部署资源
部署网络资源、云服务器ECS实例、AnalyticDB for PostgreSQL实例，并在ECS实例上，部署RAG应用。
03启动应用
启动RAG应用。
04体验RAG应用
体验智能问答与文搜图。
05完成及清理
体验完成后，如不再使用，可释放资源。
方案介绍
AnalyticDB和通义千问快速构建RAG应用
本方案在云服务器ECS上部署RAG应用。企业可以上传自己的私域知识数据，AnalyticDB PostgreSQL对数据进行向量化。当用户在智能问答系统发起提问后，在AnalyticDB PostgreSQL中检索相关数据，并调用DashScope提供的通义千问大语言模型，以自然语言形式生成准确且连贯的回答。
解决问题：知识局限性
传统模型的知识是基于训练数据集的。对于训练数据集中没有的信息，模型的理解和回答不准确，甚至可能提供“虚假”信息。
解决问题：知识过时
传统大模型在训练后不会自动更新其知识库，信息易过时。
解决问题：上下文理解偏差
对于复杂问题，传统模型可能误解上下文，导致回答偏离主题或不够精确。
方案优势
检索外部知识
RAG支持从企业专属的知识库中检索与用户查询强相关的信息，避免了传统模型在内嵌知识上的限制。
回答准确度高
RAG结合检索到的信息和上下文生成准确的答案，针对问句，提供具体且有针对性的答案，而非固定重复的答案。
成本效益高
企业无需重新训练整个LLM模型，仅通过优化检索策略和微调生成器，就能有效提高模型在特定场景的回答质量。
应用场景
问答系统（Q&A）
应用于聊天机器人或虚拟助手。从企业私有知识库中检索相关信息并结合生成技术回答用户的问题。
搜索优化
增强传统关键词搜索，不仅返回相关的文档链接，而且能直接生成内容摘要。
写作助手
在写作过程中，按照作者的要求，快速检索相关资料并生成内容，帮助作者提高写作效率和质量。
方案部署