基于 V3+R1随手构建图文并茂的问答知识库[1]中采用的是william-toolbox构建知识库，这里提供另一种种方法，使用Cherry Studio和Aut-coder.RAG搭建本地知识库，借助强大的LLM-Native的RAG系统，辅助源代码阅读，以及基于PDF文档构建知识库。
案例
使用auto-coder.rag阅读auto-coder的源代码
Prompt: 介绍下这个项目的结构，输出的结构可以用mermaid进行可视化(如下是mermaid语法）
graph TD
A[Auto-Coder项目] --> B[Common模块]
A --> C[PyProject/TSProject/SuffixProject]
A --> D[Dispacher模块]
A --> E[Action模块]
A --> F[Agent模块]
A --> G[Index模块]
A --> H[RAG模块]
B --> B1[Printer]
B --> B2[FileUtils]
B --> B3[GitUtils]
C --> C1[PyProject]
C --> C2[TSProject]
C --> C3[SuffixProject]
D --> D1[ActionTranslate]
D --> D2[ActionPyProject]
D --> D3[ActionTSProject]
D --> D4[ActionRegexProject]
E --> E1[CodeAutoMerge]
E --> E2[CodeAutoGenerate]
F --> F1[ProjectReader]
F --> F2[ReActAgent]
F --> F3[工具函数]
G --> G1[IndexManager]
G --> G2[SearchEngine]
H --> H1[RAGFactory]
H --> H2[文档检索]
截图展示的效果如下
主要模块说明：
Common模块 (
autocoder/common/)
包含基础工具类： Printer：终端输出格式化 FileUtils：文件操作工具 GitUtils：Git仓库操作 项目解析模块 (
autocoder/pyproject/,tsproject/,suffixproject/)PyProject：处理Python项目结构 TSProject：处理TypeScript项目 SuffixProject：基于文件后缀处理项目 调度模块 (
autocoder/dispacher/)包含多个Action实现： ActionTranslate：翻译功能 ActionPyProject：Python项目处理 ActionRegexProject：正则匹配项目处理 核心功能模块 (
autocoder/common/code_auto_*.py)CodeAutoMerge：代码自动合并 CodeAutoGenerate：代码自动生成 智能代理模块 (
autocoder/agent/)文件读取(read_files) 代码执行(run_python_code) ProjectReader：项目结构读取 ReActAgent：自主任务执行代理 集成多种工具函数： 索引模块 (
autocoder/index/)IndexManager：索引管理 支持多种搜索引擎集成 RAG模块 (
autocoder/rag/)RAGFactory：检索增强生成 支持文档检索增强 能在windows，Linux和MacOS中打开终端 能使用命令行进行conda的安装和环境管理
各模块通过Dispacher进行协调，根据项目类型(py/ts/regex)选择对应的处理流程，最终通过Agent模块实现自动化操作。
Prompt: 现阶段，auto-coder.rag server 如何处理PDF，会用到哪些函数？
输出结果：内容较多，如下主要放跟mermaid有关的截图
环境准备
支持Windows，MacOS和Linux全平台。
阅读本文档，我们还假设你了解如下基本知识
本文的操作环境是Windows的Linux子系统，也就是WSL。
Auto-Coder.RAG安装
Auto-coder.Rag是auto-coder的一部分，最简单的安装方法如下
pip install -U auto-coder
但是，我一般用conda管理不同的python环境，所以我的安装方法如下
conda create -n autocoder python=3.11
conda activate autocoder
pip install -U auto-coder
如果你没有conda，建议到https://mirrors.tuna.tsinghua.edu.cn/ 获取安装包
注：auto-coder的安装需要时间，如果你觉得速度不够快，可以设置镜像，如下是清华镜像的配置方案
python -m pip install --upgrade pip
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
Cherry Studio安装
Cherry Studio是一个支持多服务商集成的AI对话客户端，详见我写的 10分钟在本地接入DeepSeek-R1模型。简述如下：
在 https://cherry-ai.com/download 下载，更新频率比较高，点击立刻下载就能下载到对应的 exe（Windows）, dmg （MacOS）和AppImage(Linux）文件。
安装之后打开的页面结构如下，后续用的最多的就是对话界面和配置页面。
其他用法见官方文档，https://docs.cherry-ai.com/
使用Auto-Coder.RAG配置后端知识库
配置模型
如果用的是conda，需要用
conda activate autocoder启动环境后继续操作。 可以使用 威廉的工具箱进行全界面化配置：[auto-coder.RAG 搭配 V3+R1 组合]( "auto-coder.RAG 搭配 V3+R1 组合")。这里，我们采用命令行的方式配置模型和，选择多多益善，总有适合你的。
在操作前，你需要先参考全新小白使用Auto-Coder进行AI辅助编程的上手操作指引[2]获取硅基流动或者是火山引擎的API，然后运行如下代码去配置LLM模型
auto-coder.chat --lite
后续启动的界面如下
可以用/moldes /list查看当前配置的模型
之后用/exit退出就可。
启动后台知识库
我以阅读auto-coder为例，我们需要拉去对应的代码，注意，下面的 $HOME/project/native-rag-docs 是我存放代码的路径，你可以替换成你自己的实际路径
mkdir -p $HOME/project/native-rag-docs #这是我存代码的路径
cd $HOME/project/native-rag-docs
git clone https://github.com/allwefantasy/auto-coder.git
然后使用auto-coder.rag serve启动后台服务
auto-coder.rag serve --lite --port 8102 \
--doc_dir $HOME/project/native-rag-docs/auto-coder \
--disable_inference_enhance --required_exts py,txt,md \
--model v3_chat --qa_model r1_chat
命令参数解释如下：
--lite
表示以精简模式运行，对应 --product_mode=lite配置该模式下直接部署SaaS模型，不依赖Ray集群
--port 8102指定服务端口为8102（默认8000）
--doc_dir指定文档存储路径为 $HOME/project/native-rag-docs/auto-coder该目录下的文件将用于构建RAG索引
--disable_inference_enhance禁用增强推理模式 对应文档中 ServerArgs.disable_inference_enhance参数
--required_exts py,txt,md限定只处理.py/.txt/.md三种格式的文件 对应 doc_build_parse_required_exts参数
--model v3_chat主模型使用 deepseek_chat模型（文档中default_models_list定义）
--qa_model r1_chat问答模型使用 deepseek_r1_chat模型（文档中default_models_list定义）该模型专用于推理任务
Cherry Studio设置模型
我们打开Cherry Studio，然后按照图中指引，添加一个新的模型服务商
然后我们增加一个新的模型，按照如下填写API地址
在Cherry Studio进行问答
最后，到对话界面选择我们刚才添加的模型
我一般会在对话中强调mermaid语法，例如 "介绍下这个项目的结构，输出的结构可以用mermaid进行可视化", 可以辅助我了解项目的结构
这里的mermaid是一种语法，你看用复制到其他支持这个语法的编辑器中。
PDF知识库搭建
手动将PDF转成markdown，然后把里面的图片保存到图床上，接着你把md文件放到指定目录下，例如 $HOME/project/native-rag-docs/pdf (我目前方案是一种简单地实现AI图片并茂回答的方法）
后续，跟上面的步骤类似，只不过操作前，你需要用ctrl+c退出（可能要按好几下），推荐用 kill -9 $(lsof -ti :8102) 确保8102端口不再被占用。
修改 --doc_dir 和--required_ext 参数，其他可以不变。
auto-coder.rag serve --lite --port 8102 \
--doc_dir $HOME/project/native-rag-docs/pdfs \
--disable_inference_enhance --required_exts md \
--model v3_chat --qa_model r1_chat
效果如下(注意，doc2x提供的图床有30天的时限，过期会删除，等待后续auto-coder的版本迭代，支持本地图床）
