AutoFlow是 PingCAP 开源的一个基于TiDB Vector、LlamaIndex和DSPy构建的 Graph RAG 知识库工具，可以让开发者快速构建一个对话式知识库聊天助手，现已正式开源。
在AutoFlow的0.4.0版本中，新增了 Gitee AI 作为大语言模型及向量模型的提供方。
马建仓看到本次更新后也是迫不及待上手实践，最终实现了一行代码没写，快速搭建出了一个基于本地知识库的问答机器人，那么下面就和马建仓一起开始吧！
准备工作Docker ComposeAutoFlow 的部署和使用需要 Docker Compose，未安装的开发者请在部署AutoFlow前准备好 Docker 环境。
TiDB Cloud Serverless由于在部署 AutoFlow 时需要配置 TiDB 数据库，开发可选择v8.4版本以上的 TiDB 数据库（支持向量搜索功能），或和马建仓一样直接选择TiDB Cloud Serverless，可以快速实现数据库的部署。
Gitee AI 访问令牌AutoFlow 可通过 API 的方式调用模型提供方的模型，所以需要准备好 Gitee AI 访问令牌供配置 AutoFlow 时使用。
前往工作台-设置-访问令牌，点击新建访问令牌，选择对应的资源包即可（马建仓这里推荐全模型资源包）。
AutoFlow 部署准备工作完成后，即可进行 AutoFlow 的部署工作：
克隆项目到本地git clone https://github.com/pingcap/autoflow.git;cd autoflow/;复制并编辑.env文件cp .env.example .envvim .env #或使用其他文本编辑器编辑在编辑.env文件时，首先需要配置一枚 32 位的SECRECT_KEY（可使用命令行或在线工具生成），随后填入 TiDB Cloud Serverless 中相关的数据库信息，点击Generate Password生成密码后，将相关数据库信息以及SECRECT_KEY填写进.env文件，如下图所示：
迁移数据库架构docker compose run backend /bin/sh -c "alembic upgrade head"使用初始数据引导数据库# 使用默认管理员凭证（用户名：admin@example.com，随机密码）docker compose run backend /bin/sh -c "python bootstrap.py" # 也可以自定义管理员凭证的邮箱docker compose run backend /bin/sh -c "python bootstrap.py --email new-admin@example.com"运行引导脚本会创建一个管理员用户，你可以在输出中找到用户名和密码，如下图：
启动服务docker compose up打开浏览器访问http://localhost:3000即可访问部署好的 AutoFlow 服务。
AutoFlow 配置接下来需要对 AutoFlow 使用的大语言模型、向量模型、知识库、聊天引擎进行设置。
大语言模型配置在左侧管理选项中选择Models-LLMs，点击+ NEW LLM，为要使用的大语言模型起一个名字，并选择Gitee AI为模型提供方。
选择后，会自动选择使用的大语言模型（默认为Qwen2.5-72B-Instruct），开发者只需在Gitee AI API Key处填入刚才生成的 Gitee AI 访问令牌，点击Creat LLM即可。
向量模型配置和配置大语言模型的流程相似，选择Models-Embedding Models后进行相同的设置即可。
⚠️ 需要注意的是，向量模型设置中新增了向量维度选项，这里需填写该模型支持的向量维度，如默认的bge-large-zh-v1.5模型向量维度为1024。
知识库配置模型相关信息配置完成后就可以进行知识库的配置了，选择左侧Knowledge Bases，填写知识库名称及描述，选择刚才创建的大语言模型和向量模型后即可创建知识库。
创建完成后，我们就可以创建数据源了，AutoFlow 支持本地文件、网页、Sitemap 三种数据源，本次马建仓将以《开源指北》本地文件为例配置知识库。
AutoFlow 支持上传Markdown、PDF、Word、PPT、Excel、TXT文件，上传完成后点击Creat即可创建数据源。
创建知识库后进行的是建立知识库索引的工作，AutoFlow 会自动完成这部分工作，Vector Index显示全为绿色时即为索引建立完成。
聊天引擎配置最后一步，我们需要配置聊天引擎（Chat Engine）。点击Chat Engines-New Chat Engine即可进入下图页面。
在聊天引擎配置中，必须配置项为名称、使用的大语言模型以及所连接的知识库。
此外，你也可以更改提示词以自定义用户的聊天体验（非必须项）：
至此，一个简单的基于本地知识库的问答机器人就部署完成了。
完成配置后，可进入Settings为你的问答机器人进行个性化设置，设置自己的网页标题、Logo、预设提问等等。
完成配置，开始使用现在一个属于《开源指北》的问答机器人就可以正式开始使用了！
提出问题后，AutoFlow 将通过识别问题的核心意图、在知识库中搜索相关上下文、重写查询以增强信息检索、检索最相关的数据、使用 AI 生成精准答案五个步骤产出最终的答案。
同时 AutoFlow 也会列出知识库相关的文档供你查看。
产出的回答如下图，看来 AutoFlow 很快就学习到了《开源指北》的核心内容，值得点赞！
现在一个《开源指北》问答机器人就正式完成，可以将其正式部署上线了。除了网页端外，AutoFlow 还支持在网页中嵌入 JavaScript 片段，将对话窗口集成到网站中。
那么以上就是本次马建仓基于 AutoFlow + Gitee AI 搭建本地知识库问答机器人的实践分享，真正做到了一行代码不用写且部署快速方便，希望能对开发者们有所帮助，我们下次实践分享再见！
