零代码构建 RAG 私有知识问答服务

在《深入浅出 GenAI 核心概念》中，我们已经厘清了 GenAI 的关键概念：RAG、Function Calling、MCP、AI Agent。接下来的问题在于，如何从概念到实操？

目前，网上可以搜到很多 RAG 构建教程，但大部分教程都基于 LangChain 等，对小白来说仍有一定的入门门槛。

CloudCanal 本身作为数据同步平台，已经具备多源异构数据的接入与加工能力，在 RAG 系统构建语义搜索基础方面具备天然优势。近期 CloudCanal 推出的 RagApi 封装了向量检索与模型问答能力，为用户提供一个即插即用的智能查询接口。只需在 CloudCanal 中创建两个任务，即可获得你的专属 RAG 服务，全程无需使用代码。

CloudCanal RagApi 优势

相比传统 RAG 架构手动部署流程，CloudCanal 提供的 RagApi 服务具有以下独特优势：

• 双任务完成全流程：文档导入 + API 发布。
• 零代码部署：无需开发，自定义配置即可构建 API 服务。
• 参数可调：支持设置向量 Top-K 数量、匹配阈值、Prompt 模板、模型温度等核心参数。
• 多模型与平台适配：支持阿里云 DashScope、OpenAI、DeepSeek 等主流模型与 API 平台。
• OpenAI API 兼容接口：直接接入现有 Chat 应用或工具链，无需额外适配。

实例演示

本文将以 CloudCanal 官方文档为知识库，构建关于 CloudCanal 产品的 RAG 问答服务。

创建这样一个 RAG 私有知识问答服务，需要用到：

• CloudCanal：自动创建 RagApi 服务
• PostgreSQL：向量数据库
• 嵌入模型：阿里云百炼平台（DashScope）的 text-embedding-v3
• 对话模型：阿里云百炼平台（DashScope）的 qwq-plus

整体工作流程如下：

操作步骤

下载 CloudCanal

下载安装 CloudCanal 私有部署版本。

准备资源

1. 登录 阿里云百炼 并创建 API-KEY。
2. 本地安装免费的 PostgreSQL 数据库

#!/bin/bash

# 创建 docker-compose.yml 文件
cat <<EOF > docker-compose.yml
version: "3"
services:
  db:
    container_name: pgvector-db
    hostname: 127.0.0.1
    image: pgvector/pgvector:pg16
    ports:
      - 5432:5432
    restart: always
    environment:
      - POSTGRES_DB=api
      - POSTGRES_USER=root
      - POSTGRES_PASSWORD=123456
    volumes:
      - ./init.sql:/docker-entrypoint-initdb.d/init.sql
EOF

# 自动执行 docker-compose 启动
docker-compose up --build

# 进入 PG 命令行
docker exec -it pgvector-db psql -U root -d api

3. 创建高权限账号并登录。
4. 切换到需要建表的目标 schema (如public)。
5. 执行以下 SQL 开启向量能力。

CREATE EXTENSION IF NOT EXISTS vector;

添加数据源

登录 CloudCanal 平台，点击 数据源管理 > 新增数据源。

添加文件：

选择 自建 > SshFile 数据源，可设定额外参数。

• 网络地址：填写目标文件所在机器和 SSH 端口（默认 22）。
• 账号密码：即登录目标机器的用户名、密码。
• 参数 fileSuffixArray：填写 .md 以过滤出所有 markdown 文件。
• 参数 dbsJson：复制默认值并修改 schema 值(即目标文件所在根目录)。

[
  {
    "db":"cc_virtual_fs",
    "schemas":[
      {
        "schema":"/Users/johnli/source/cloudcanal-doc-v2",
        "tables":[]
      }
    ]
   }
]

添加向量数据库：

选择 自建 > PostgreSQL，获取数据源并添加。

添加大模型：

选择 阿里云 > 手动填写 > DashScope 数据源，填写之前步骤获取的 API-KEY。

添加 RagApi 服务：

选择 自建 > RagApi。

• 网络地址：填写为 localhost，端口默认使用 18089。
• API 密钥：自定义一个 API-KEY，用于后续调用 RagApi 接口。

创建任务 1：数据向量化

1. 点击 同步任务 > 创建任务。

2. 选择以下数据源，并点击 测试连接 确认网络与权限正常。

   • 源端：SshFile
   • 目标端：PostgreSQL

3. 在 功能配置 页面，任务类型选择 全量迁移，任务规格选择默认 2 GB 即可。

4. 在 表&action过滤 页面，进行以下配置：

   1. 选择需要定时数据迁移的文件，可同时选择多个。
   2. 点击 批量修改目标名称 > 统一表名 > 填写表名（如 file_vector），并确认，方便将不同文件向量化并写入同一个表。

5. 在 数据处理 页面，进行以下配置：

   1. 点击 配置大模型 > DashScope，选择刚添加的大模型实例，并选择某一个嵌入模型（如 text-embedding-v3）。

2. 点击 批量操作 > 大模型嵌入，选择需要嵌入的字段，并全选表。

6. 在 创建确认 页面，点击 创建任务，开始运行。

创建任务 2：RagApi 服务

1. 点击 同步任务 > 创建任务。

2. 选择以下数据源，并点击 测试连接 确认网络与权限正常。

   • 源端：已配置的 PostgreSQL（向量表所在库）
   • 目标端：RagApi

3. 在 功能配置 页面，任务类型选择 全量迁移，任务规格选择默认 2 GB 即可。
4. 在 表&action过滤 页面，选择要使用的向量表（可多选）。

5. 在 数据处理 页面，配置大模型：

   1. 嵌入模型：选择 DashScope 实例与向量数据使用的嵌入模型（如 text-embedding-v3）。

   注意：PostgreSQL 中的向量维度需与选定嵌入模型一致。

   2. 聊天模型：选择 DashScope 实例与对话模型（如 qwq-plus）。

6. 在 创建确认 页面，点击 创建任务，系统将自动完成 RagApi 服务构建。

效果测试

RagApi 支持通过可视化工具 CherryStudio 进行交互测试。CherryStudio 兼容 OpenAI 接口标准，适合用于接口联调、上下文调试和模型效果验证。

1. 打开 CherryStudio，点击左下角 设置图标。

2. 在 模型服务 中搜索 openai，并配置如下参数：

   • API 密钥：填写在 CloudCanal 中配置的 RagApi API Key
   • API 地址：http://localhost:18089
   • • 模型名称：CC_RAG

3. 回到对话页面：

   • 点击 添加助手 > Default Assistant。
   • 右键点击 Default Assistant > 编辑助手 > 模型设置，绑定上一步添加的模型。

4. 在对话框输入：CloudCanal 增量同步任务延迟是什么原因？应该怎么处理？，RagApi 将根据向量数据检索相关内容，并通过对话模型生成响应。

总结

经过简单的几步，我们完成了从零构建 RagApi 服务的全过程：从数据向量化、接入向量库、配置大模型、构建 Prompt，到部署兼容 OpenAI 接口的对话服务 RagApi。

整个过程无需编写任何代码，借助 CloudCanal 提供的可视化平台和多模型支持，企业可以快速构建具备私有知识问答能力的智能服务。