DeepAnalyze实战教程：结合RAG扩展DeepAnalyze，为分析报告注入企业知识库依据
1. 为什么需要给DeepAnalyze加上RAG能力
你有没有遇到过这样的情况：
一份市场调研报告里提到“客户对A功能满意度下降12%”，但你根本不知道这个A功能具体指什么、上线时间、历史迭代记录——AI能总结出“满意度下降”这个事实，却没法告诉你背后的原因。
DeepAnalyze本身很强大：它能把一段杂乱的会议纪要提炼成观点+关键信息+情感三段式报告，逻辑清晰、中文表达自然、全程离线运行。但它有个天然局限——它只懂模型训练时学到的通用知识，不了解你公司的产品文档、内部术语、项目规范、甚至上周刚发的OKR说明。
这就像是请来一位顶尖的外部咨询顾问，他逻辑缜密、表达专业，但没看过你司的《用户手册V3.2》和《2024服务SLA细则》。
而RAG（检索增强生成）就是给这位顾问配一本实时更新的“公司内参”。它不改变DeepAnalyze原有的分析能力，只是在它开始思考前，悄悄塞过去几页最相关的内部资料。结果不是“生成更泛泛的内容”，而是让每一份报告都带着你企业的语境、标准和事实依据。
本教程不讲抽象原理，只带你一步步完成这件事：
在现有DeepAnalyze镜像基础上，零代码接入本地知识库
让分析报告自动引用企业文档中的原文片段
保持原有界面和操作习惯，老用户无需重新学习
所有数据仍100%留在本地，不上传、不联网、不依赖外部API
接下来，我们就从最实际的一步开始。
2. 环境准备与RAG模块快速部署
DeepAnalyze镜像已内置Ollama和Llama 3，我们不需要重装框架，只需为它“加装一个知识检索插件”。整个过程在容器内完成，5分钟内可跑通。
2.1 确认基础环境就绪
启动镜像后，先验证Ollama是否正常工作。打开终端（或通过WebUI附带的命令行入口），执行：
ollama list你应该看到类似输出：
NAME ID SIZE MODIFIED llama3:8b f9a7e... 4.7GB 2 weeks ago如果显示为空或报错，请先点击平台界面上的“重启Ollama服务”按钮（DeepAnalyze镜像自带该功能），等待30秒后重试。
小提示：DeepAnalyze的“自愈合启动脚本”已为你处理了Ollama服务注册、端口占用检测等细节。绝大多数情况下，这一步直接通过。
2.2 安装轻量级RAG引擎：ChromaDB + Sentence-Transformers
我们选用ChromaDB作为向量数据库——它单文件运行、无需独立服务、完美适配Docker容器；搭配all-MiniLM-L6-v2嵌入模型，仅85MB，中文语义理解足够扎实，且能在CPU上流畅运行。
在容器内执行以下命令（复制粘贴，回车即可）：
# 进入DeepAnalyze应用目录 cd /app/deepanalyze # 安装RAG依赖（仅需一次） pip install chromadb sentence-transformers # 创建知识库存储目录 mkdir -p ./data/knowledge_base执行完毕后，你会看到终端返回Successfully installed...，表示环境已就绪。
2.3 准备你的第一份企业知识文档
RAG效果好不好，70%取决于你喂给它的第一份资料。别一上来就扔进整套《产品白皮书》，先选一个小而关键的文档：
- 推荐起点：一份3页以内的《XX产品核心功能说明》PDF
- 或：一份Markdown格式的《客户服务常见问题FAQ》
- 或：一份Excel表格导出的《2024重点客户对接人清单》
将这份文件保存为UTF-8编码，命名为product_faq.md，然后上传到容器的/app/deepanalyze/data/knowledge_base/目录下。（可通过镜像平台的“文件上传”功能，或使用docker cp命令）
注意：不要用扫描版PDF！ChromaDB目前无法解析图片型PDF。如果是扫描件，请先用OCR工具转成纯文本再上传。
3. 构建知识索引：三步完成文档向量化
现在，我们要把这份文档“翻译”成AI能理解的数学语言——向量。整个过程全自动，你只需确认三件事。
3.1 启动向量化脚本（一行命令）
在容器终端中，执行：
python -c " import chromadb from sentence_transformers import SentenceTransformer import os, re, markdown # 初始化 client = chromadb.PersistentClient(path='./data/chroma_db') collection = client.get_or_create_collection(name='enterprise_knowledge') # 加载嵌入模型（首次运行会自动下载） model = SentenceTransformer('all-MiniLM-L6-v2') # 读取文档 with open('./data/knowledge_base/product_faq.md', 'r', encoding='utf-8') as f: text = f.read() # 按标题/段落切分（避免大段粘连） chunks = re.split(r'\n#{1,3}\s+', text) chunks = [c.strip() for c in chunks if len(c.strip()) > 20] # 向量化并存入数据库 embeddings = model.encode(chunks).tolist() collection.add( documents=chunks, ids=[f'chunk_{i}' for i in range(len(chunks))], embeddings=embeddings ) print(f' 已成功索引 {len(chunks)} 个知识片段') "几秒钟后，你会看到：
已成功索引 12 个知识片段这意味着：你的《产品FAQ》已被拆解为12个语义单元，并存入本地向量库。每个单元都带有数学坐标，AI提问时就能快速定位最相关的那1-2个。
3.2 验证索引是否生效
我们来手动测试一次检索。执行：
python -c " from sentence_transformers import SentenceTransformer import chromadb client = chromadb.PersistentClient(path='./data/chroma_db') collection = client.get_collection(name='enterprise_knowledge') model = SentenceTransformer('all-MiniLM-L6-v2') # 模拟用户提问 query = '客户投诉响应时效标准是多少？' embedding = model.encode([query]).tolist()[0] results = collection.query( query_embeddings=[embedding], n_results=2 ) print(' 最相关知识片段：') for doc in results['documents'][0]: print('- ' + doc[:80] + '...') "预期输出类似：
最相关知识片段： - ## 响应时效标准\n\n- 普通咨询：2小时内首次响应，24小时内闭环...\n\n- 紧急故障：30分钟内电话响应...看到这个结果，说明知识库已活起来——它能听懂中文问题，并精准召回原文。
4. 改造DeepAnalyze分析流程：注入知识依据
DeepAnalyze原有流程是：用户输入 → Llama 3 直接分析 → 输出报告。
现在我们要插入一个环节：用户输入 →先检索知识库→ 将检索结果+原文一起喂给Llama 3 → 输出带依据的报告。
4.1 修改核心分析函数（仅3处改动）
打开文件/app/deepanalyze/core/analysis_engine.py，找到名为generate_analysis_report的函数。在函数开头附近，插入以下代码（位置在# --- RAG注入点 ---注释处）：
# --- RAG注入点 --- try: import chromadb from sentence_transformers import SentenceTransformer # 加载知识库 client = chromadb.PersistentClient(path='./data/chroma_db') collection = client.get_collection(name='enterprise_knowledge') model = SentenceTransformer('all-MiniLM-L6-v2') # 对用户输入做向量检索 input_embedding = model.encode([user_text]).tolist()[0] rag_results = collection.query( query_embeddings=[input_embedding], n_results=3 ) # 构建RAG上下文 if rag_results['documents'][0]: rag_context = "【企业知识依据】\n" + "\n".join([ f"- {doc}" for doc in rag_results['documents'][0] ]) user_text = rag_context + "\n\n【待分析原文】\n" + user_text except Exception as e: # 知识库不可用时，退化为原流程 pass # --- RAG注入结束 ---为什么这样改？
- 不修改原有Prompt结构，保证原有报告格式完全不变
- 用
【企业知识依据】和【待分析原文】明确分隔，避免AI混淆来源try/except确保知识库异常时自动降级，不影响基础功能
4.2 调整系统Prompt（强化依据引用意识）
打开/app/deepanalyze/prompts/zh_deep_analyze.txt，找到原有Prompt末尾，在请严格按以下三段式输出：之前，新增两句话：
请优先参考【企业知识依据】中的内容，若其中提及与原文相关的信息，请在对应分析结论后用括号注明依据来源（例如：“响应时效标准为2小时（依据：《响应时效标准》）”）。 若【企业知识依据】中无相关信息，则仅基于【待分析原文】进行分析，不编造依据。这一微调，让Llama 3从“自由发挥”变成“有据可依”，且明确知道何时该引用、如何引用。
4.3 重启Web服务（使改动生效）
在终端中执行：
supervisorctl restart webui等待约10秒，Web界面将自动刷新。此时，所有新提交的分析请求都会经过RAG增强流程。
5. 实战效果对比：看RAG如何提升报告可信度
现在，我们用同一段文本，分别看“原版DeepAnalyze”和“RAG增强版”的输出差异。
5.1 测试文本（模拟真实场景）
在左侧输入框粘贴以下内容：
用户反馈：“订单状态页面一直显示‘处理中’，已经超过48小时，客服说要等技术修复，但没给具体时间。”5.2 原版报告（无RAG）
右侧生成的报告可能是：
## 核心观点 用户对订单状态更新延迟感到焦虑，期待更明确的时间承诺。 ## 关键信息 - 用户遭遇订单状态长期卡在“处理中” - 客服未提供预计解决时间 - 问题已持续超48小时 ## 潜在情感 焦躁、不信任、轻微愤怒信息准确，但缺乏落地支撑——它没告诉业务同学：“这个‘处理中’状态，到底应该多久更新一次？”
5.3 RAG增强版报告（含知识依据）
启用RAG后，同一输入生成的报告变为：
## 核心观点 用户对订单状态更新延迟感到焦虑，期待更明确的时间承诺（依据：《客户服务SLA》第3.2条）。 ## 关键信息 - 用户遭遇订单状态长期卡在“处理中” - 客服未提供预计解决时间（依据：《客户服务SLA》第4.1条：“故障类问题需在30分钟内提供预估修复时间”） - 问题已持续超48小时（依据：《订单系统监控规范》：“状态滞留超24小时触发P1告警”） ## 潜在情感 焦躁、不信任、轻微愤怒（依据：《客户情绪识别指南》“超时未响应”对应情绪权重+0.7）差别在哪？
- 每一条分析都锚定到具体制度条款，业务同学可立即查证、追责、优化
- 情感判断不再主观，而是引用内部《情绪识别指南》的量化标准
- 报告从“描述现象”升级为“指向行动”——比如“触发P1告警”直接关联运维流程
这才是企业真正需要的分析力。
6. 进阶技巧：让RAG更懂你的业务语境
RAG不是装上就完事，它需要持续“调教”。以下是三个即学即用的提效技巧：
6.1 知识文档预处理：提升召回精度
默认的按标题切分有时不够智能。比如一份《销售话术手册》里，“价格异议应对”和“交付周期异议应对”可能在同一节，被切到同一个chunk里，导致检索失准。
解决方案：在向量化前，用正则主动分块。将3.1节的切分代码替换为：
# 更精准的分块：按业务场景关键词切分 chunks = re.split(r'\n##\s+(价格异议|交付周期|售后政策|合同条款)', text) # 保留分隔符，确保上下文完整 chunks = [c.strip() for c in chunks if len(c.strip()) > 30]这样，每个chunk都聚焦单一业务场景，检索命中率提升明显。
6.2 动态权重控制：让关键知识“优先说话”
有些文档比另一些更重要。比如《CEO季度战略讲话》应比《茶水间使用须知》权重更高。
在向量化时，为不同文档设置metadatas：
collection.add( documents=chunks, ids=[f'faq_{i}' for i in range(len(chunks))], metadatas=[{"source": "faq", "priority": 1} for _ in chunks], # 普通FAQ # 若是战略文档，设 priority=5 embeddings=embeddings )查询时，可在query()中加入where={"priority": {"$gte": 3}}，实现分级召回。
6.3 分析报告后处理：自动高亮依据来源
为了让业务同学一眼看到依据出处，可在报告生成后添加高亮：
# 在 generate_analysis_report 函数末尾添加 if '（依据：' in report: report = report.replace('（依据：', '**（依据：**').replace('）', '**）**')这样，所有依据都会以加粗显示，视觉上立刻突出。
7. 总结：RAG不是功能叠加，而是分析范式的升级
回顾整个过程，你其实只做了三件事：
1⃣ 在容器里装了一个85MB的嵌入模型和一个轻量数据库
2⃣ 改了不到20行Python代码，插入一个检索环节
3⃣ 调整了一段Prompt，教会AI“什么时候该引用、怎么引用”
但带来的变化是质的：
🔹报告可信度：从“AI觉得是这样”变成“依据XX制度，应该是这样”
🔹分析深度：从文本表面延伸到企业知识网络，发现隐藏关联
🔹落地效率：业务同学拿到报告，可直接对照制度条款行动，省去跨部门确认时间
更重要的是，这一切依然100%私有化——你的知识库文档从未离开服务器，Ollama的推理全程在本地GPU/CPU完成，RAG检索也只在容器内闭环。安全，不是妥协项，而是设计前提。
下一步，你可以：
→ 把销售合同、产品PRD、历史客诉归档批量导入，构建全量知识图谱
→ 尝试用不同嵌入模型（如bge-zh-v1.5）进一步提升中文匹配精度
→ 将RAG结果以侧边栏形式在WebUI中单独展示，方便人工复核
DeepAnalyze本就是一个“深度思考”的引擎，而RAG，是给它装上了你企业的记忆和经验。它不再只是分析文本，而是真正理解你的业务。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
