GPT-RAG 解决方案加速器

此解决方案加速器提供了架构模板和部署资产，帮助组织构建安全、可扩展且适合企业级使用的 检索增强生成 (RAG) 解决法，由 AI 代理 提供支持。它采用经过验证的 Azure 设计模式，并融入 零信任安全、负责任的人工智能 以及 端到端可观测性，使团队能够自信地将生成式 AI 投入生产环境。

如需完整文档，请访问 GPT-RAG 文档网站。

GPT-RAG 基于零信任架构构建，以确保所有组件都在受控、隔离的环境中运行。网络访问受到严格管控，服务之间的通信遵循最小权限原则。

架构

零信任架构

AI 代理能力

该加速器通过使系统能够跨大型数据集处理复杂查询，支持从客户支持到决策自动化的广泛企业场景。它专为无缝集成到现有环境而设计，可适应简单和高级的运营模式。

GPT-RAG 的一项关键能力是支持 AI 代理，从而实现诸如 NL2SQL 查询生成 等上下文感知交互。这种可扩展性使组织能够构建智能工作流，以精确的上下文信息检索、解释并采取行动。

GPT-RAG 用户界面

贡献

我们欢迎贡献！有关如何贡献的详细信息，请参阅 贡献指南。

商标

该项目可能包含商标或徽标。对 Microsoft 商标的授权使用必须遵守 Microsoft 商标与品牌指南。修改后的版本不得暗示赞助关系或造成混淆。第三方商标则受其各自政策约束。

GPT-RAG 快速上手指南

GPT-RAG 是一个基于 Azure 构建的检索增强生成（RAG）解决方案加速器。它利用 Azure AI Search 进行数据检索，结合 Azure OpenAI 大语言模型，为企业打造安全、可扩展且符合零信任架构的智能问答与对话系统。

环境准备

在开始部署之前，请确保满足以下系统与依赖要求：

• 操作系统：Windows (PowerShell), macOS, 或 Linux。
• 核心工具：
  • Azure Developer CLI (azd)：版本需为最新稳定版。
  • Git：用于克隆代码仓库。
  • Node.js：建议 LTS 版本（用于前端构建）。
  • Python：3.10 或更高版本（用于后端逻辑）。
• 云资源要求：
  • 有效的 Azure 订阅。
  • 对订阅拥有 Owner 或 Contributor 权限。
  • 已注册以下资源提供者（通常 azd 会自动处理，但需确保账户有权限）：
    • Microsoft.CognitiveServices (Azure OpenAI)
    • Microsoft.Search (Azure AI Search)
    • Microsoft.ContainerRegistry
    • Microsoft.Web
• 网络环境：由于服务部署在 Azure 全球节点，国内开发者请确保网络能稳定访问 Azure 门户及 API 端点。目前该项目暂无官方提供的中国镜像源，建议使用稳定的国际网络环境进行部署。

安装步骤

1. 克隆项目仓库

打开终端，执行以下命令获取源代码：

git clone https://github.com/Azure/GPT-RAG.git
cd GPT-RAG

2. 初始化并部署环境

使用 azd 工具一键完成基础设施创建、资源配置及应用部署。该过程将自动应用零信任安全架构。

# 登录 Azure 账号
azd auth login

# 初始化新环境（按提示输入环境名称和订阅 ID）
azd init

# 启动全流程部署（包含资源创建、代码构建与部署）
azd up

注意：azd up 执行时间较长（约 15-30 分钟），因为它需要创建 Azure OpenAI 实例、搜索服务、容器应用等复杂资源。请保持终端运行直至显示 "SUCCESS"。

3. 上传企业数据

部署完成后，您需要将自有数据索引到 Azure AI Search 中以便模型检索。进入后端目录并运行数据导入脚本：

cd ./src/backend
# 示例：上传本地 PDF 文档到向量索引
python -m data_preparation --input_path ../data --search_service_name <YOUR_SEARCH_SERVICE> --index_name <YOUR_INDEX_NAME>

(请将 <YOUR_SEARCH_SERVICE> 和 <YOUR_INDEX_NAME> 替换为 azd up 输出中显示的实际名称，或直接从 .env 文件中读取)

基本使用

部署成功后，您可以通过以下方式体验 GPT-RAG 的核心功能：

1. 访问 Web 界面

在终端查看 azd up 的输出结果，找到 Endpoint 地址（通常以 .azurecontainerapps.io 结尾）。在浏览器中打开该链接，即可看到 GPT-RAG 的用户界面。

• 功能：直接在对话框中输入自然语言问题（例如：“查询上个季度的销售数据”或“总结员工手册中的休假政策”）。
• 效果：系统将自动检索您的企业数据，并结合 Azure OpenAI 生成带有引用来源的回答。

2. 测试 AI Agent 能力 (NL2SQL)

如果已配置数据库连接，您可以在聊天窗口尝试复杂的决策自动化查询。例如：

请帮我找出过去一个月销售额超过 10 万的客户名单，并分析他们的购买偏好。

系统将调用内置的 AI Agent 能力，自动生成 SQL 查询（NL2SQL），从数据库提取数据并进行上下文分析，最终返回结构化的业务洞察。

3. 本地调试（可选）

如需在本地修改代码并测试，可分别启动前后端服务：

# 终端 1: 启动后端 API
cd src/backend
python -m uvicorn main:app --reload --port 8000

# 终端 2: 启动前端 UI
cd src/frontend
npm install
npm run dev

然后在浏览器访问 http://localhost:5173 (默认前端端口) 进行开发测试。