第一步 创建智能体应用
点击 左侧“创建空白应用"，在如下界面中点击”Agent“。 给名称和图标，创建完成。
第二步 配置智能体的模型
点击上一步中创建好的智能体，点击去 "去设置"， 就可以输入申请的API Key或者本地大模型。API key是指去deepseek等官网申请账号并获取一个key，但是这个会收费而且知识库内容会暴露在网上，不安全。
本文采用的是本地大模型，所以选择Ollama。
2.1 配置LLM
创建智能体的时候，可以通过"去设置"来添加模型，如下图，点击模型供应商然后点击Ollama下面添加模型按钮。
当然也可以点击右上角的账户名，然后在菜单里面点击设置，就可以打开上图的设置页面来添加或者维护模型。
事先我已经安装了Ollama并下载了几个大模型，如果大家没有事先准备好。那先下载安装Ollama，并在命令行工具里面下载运行大模型即可，简单的命令如下：
如果有必要，我可以再写一篇关于Ollama相关的文章，这里不再描述。然后在弹出页面中输入具体内容，如下红色箭头部分不能直接输入 http://localhost:11434
输入localhost，点击保存总是报错"An error occurred during credentials validation: HTTPConnectionPool(host='localhost', port=11434): Max retries exceeded with url: /api/chat (Caused by NewConnectionError('<urllib3.connection.HTTPConnection object at 0x7f4a84ce0590>: Failed to establish a new connection: [Errno 111] Connection refused'))"。
问题主要出在docker类似于虚拟机，如果直接写 http://localhost:11434，其实访问的是docker本身的服务，肯定就找不到了。其实当前请求相当于docker要访问主机机器的地址，那就需要把主机的ollama地址暴露出来，步骤如下：
系统变量里面加 OLLAMA_HOST，然后输入局域网地址或者直接输入"0.0.0.0"; 如果是对外的网络地址也行。然后在path里面增加%OLLAMA_HOST%，重启Ollama即可。
2.2 配置知识库Embedding模型
逻辑推理用deepseek大模型, 知识库Embedding不用deepseek，说命中率不高，回答问题效果不好，所以选用BGE-M3。按如下红色箭头命令操作，然后查看一下，模型已经下载完成。
BGE (BAAI General Embedding) 专注于检索增强LLM领域，对中文场景支持效果更好，当然也有很多其他embedding模型可供选择，可以根据自己的场景，在ollama上搜索“embedding”查询适合自己的嵌入模型。
配置如上图，如果说连不上报错，要确认Ollama是否启动，就直接在浏览器里面输入URL看看是否有“Ollama is running”字样。点击保存按钮，就可以看到如下所示LLM用了deepseek-r1:14b而TEXT EMBEDDING用的是bge-m3。
至此，两个模型配置完成。
第三步 知识库操作
3.1 创建知识库
如下图操作
3.2 上传RAG资料
可以看到有三步，即选择数据源，文本分段与清洗，处理并完成。资料可以是本地的文本文件，或者直接同步网络资料等等。
支持的文本文件类型也很多，不过要注意单个文件不能超过15M。如果文件大了怎么办，拆呗。
3.3 保存资料并处理
我上传了一个自己写的用户手册，pdf格式，12.86M，可以处理。点击下一步，如下图。
分段设置直接用了通用的，索引方式用高质量，Embedding模型用bge-m3，检索设置用混合检索。点击保存并处理，等待处理完成。
完成前往文档，知识库里面就有一个文档知识库内容了。
第四步 测试结果
点击工作室，并打开已经创建完成的智能体(Agent)
不错，AI能够自己检索并拼出结果给用户。接下来要研究怎么改进RAG，并嵌入到自己写的系统中。
