基于Cherry Studio + auto-coder.RAG实现本地知识库

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

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

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

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）

{{userData.name}}已认证