这是个系列文章，将介绍基于 Rust 语言生态来开发一个 RAG 系统。本文是文章的第一篇，主要介绍如何使用rig[1]来调用 ollama 模型。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">项目准备ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;padding-left: 8px;color: rgb(63, 63, 63);">设置 Rust 开发环境ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">推荐使用RsProxy来设置 Rust 开发环境，步骤非常的简单：export RUSTUP_DIST_SERVER="https://rsproxy.cn"
export RUSTUP_UPDATE_ROOT="https://rsproxy.cn/rustup"curl--proto'=https'--tlsv1.2-sSfhttps://rsproxy.cn/rustup-init.sh|sh
~/.cargo/config.toml：[source.crates-io]
replace-with='rsproxy-sparse'
[source.rsproxy]
registry="https://rsproxy.cn/crates.io-index"
[source.rsproxy-sparse]
registry="sparse+https://rsproxy.cn/index/"
[registries.rsproxy]
index="https://rsproxy.cn/crates.io-index"
[net]
git-fetch-with-cli=true详细安装及使用可我之前文章：本地运行 deepseek-r1，LLM 安装简明指南
开发工具建议使用VSCode，并安装插件rust-analyzer。在命令行终端执行以下命令创建 Rust 项目并添加必要的 crates：
cargo new fusion-rag
cd fusion-rag
cargo add rig-core --features derive
cargo add tokio --features full现在项目已经建好，可以通过 VSCode 打开
code.
执行默认的main.rs文件，可以运行成功。
编辑main.rs文件，修改为以下代码：
userig::{completion:
rompt, providers};
#[tokio::main]
asyncfnmain()->Result<(),Box<dyncore::error::Error>> {
letclient= providers:
penai::Client::from_url("ollama","http://localhost:11434/v1");
letv1= client
.agent("qwen2.5:latest")// .agent("deepseek-r1:latest")
// preamble 用于设置对话的 `system` 部分，通常设置为聊天上下文的提示语
.preamble("你人工智能助手，你更擅长逻辑推理以及中文和英文的对话。")
.build();
// prompt 用于设置对话的 `user` 部分，用于提供每次对话的内容
letresponse= v1.prompt("1.1 和 1.11 哪个大？").await?;
println!("回答: {}", response);
Ok(())
}运行程序，可获得如下输出：
回答: 在数值比较中，1.1 和 1.11 进行比较时，可以看出 1.11 比 1.1 要大。
数学上具体的比较过程如下：
-首先比较小数点后的第一位数字。在这个例子中都是“1”，所以这一位是相等的。
-然后继续比较下一位，也就是第二个小数点后的数字。对于 1.1 而言，这一步之后没有数字，所以我们假定为 0（在实际中通常会以零补齐），因此可以认为 1.1 相当于 1.10。这时候我们可以看到在“1.10”和“1.11”之间进行比较，“1.11”的结果显然比“1.10”大。
所以，结论是：1.11 大于 1.1。提示：使用
deepseek-r1:latest模型可以获得更详细的回答（包含思考过程），但需要的资源更多且输出的内容也会更长。读者可以自行选择适合自己的模型。
nomic-embed-text是专门用于生成文本嵌入（text embeddings）的模型。文本嵌入是将文本数据转换为向量表示的过程，这些向量能够捕捉文本的语义信息，在很多自然语言处理任务中都非常有用，例如信息检索（找到与查询文本语义相近的文档）、文本分类、聚类分析等。可通过以下命令下载此模型。
ollamapullnomic-embed-text
cargoaddserde
编辑main.rs文件，更新为以下代码：
userig::{
completion:rompt, embeddings::EmbeddingsBuilder, providers,
vector_store::in_memory_store::InMemoryVectorStore, Embed,
};
useserde::Serialize;
// 需要进行 RAG 处理的数据。需要对 `definitions` 字段执行向量搜索，
// 因此我们为 `WordDefinition` 标记 `#[embed]` 宏以派生 `Embed` trait。
#[derive(Embed, Serialize, Clone, Debug, Eq, PartialEq, Default)]
structWordDefinition{
id:String,
word:String,
#[embed]
definitions:Vec<String>,
}
#[tokio::main]
asyncfnmain()->Result<(),Box<dyncore::error::Error>> {
constMODEL_NAME: &str="qwen2.5";
constEMBEDDING_MODEL: &str="nomic-embed-text";
letclient= providers:penai::Client::from_url("ollama","http://localhost:11434/v1");
letembedding_model= client.embedding_model(EMBEDDING_MODEL);
// 使用指定的嵌入模型为所有文档的定义生成嵌入向量
letembeddings= EmbeddingsBuilder::new(embedding_model.clone())
.documents(vec![
WordDefinition {
id:"doc0".to_string(),
word:"flurbo".to_string(),
definitions:vec![
"1. *flurbo* （名词）：flurbo是一种生活在寒冷行星上的绿色外星人。".to_string(),
"2. *flurbo* （名词）：一种虚构的数字货币，起源于动画系列《瑞克和莫蒂》。".to_string()
]
},
WordDefinition {
id:"doc1".to_string(),
word:"glarb glarb".to_string(),
definitions:vec![
"1. *glarb glarb* （名词）：glarb glarb是次郎星球居民祖先用来耕种土地的古老工具。".to_string(),
"2. *glarb glarb* （名词）：一种虚构的生物，发现于仙女座星系Glibbo星球遥远的沼泽地。".to_string()
]
},
])?
.build()
.await?;
// 使用这些嵌入创建向量存储
letvector_store= InMemoryVectorStore::from_documents(embeddings);
// 创建向量存储索引
letindex= vector_store.index(embedding_model);
letrag_agent= client
.agent(MODEL_NAME)
.preamble(
"您是这里的词典助理，帮助用户理解单词的含义。
您将在下面找到其他可能有用的非标准单词定义。",
)
.dynamic_context(1, index)
.build();
// 提示并打印响应
letresponse= rag_agent.prompt("\"glarb glarb\" 是什么意思？").await?;
println!("{}", response);
Ok(())
}先运行程序看看效果，可获得如下输出：
$cargo run -q
在给出的定义中，“glarb glarb”有以下两种解释：
1. **名词**: 这是次郎星球居民祖先用来耕种土地的古老工具。
2. **名词**: 一种虚构的生物，发现于仙女座星系Glibbo星球遥远的沼泽地。
请注意，这是基于提供的文档定义，“glarb glarb”可能是两个不同的名词，具有不同的含义和背景。当我们注释掉.dynamic_context(1, index)一行时再次运行，输出结果如下：
$cargo run -q
很抱歉，“glarb glarb”并不是一个已知的词语或表达方式，在标准语言中没有明确的意义。这可能是误输入或者是某种特定情境下的自创语句。具体含义需要更多上下文信息来确定。如果您是在某个游戏中、书中或是特殊社群里看到这个短语，可能需要参照该环境中的规则或解释。可以看到，我们在使用.dynamic_context(1, index)函数后，这个函数会根据输入的提示，从向量存储中搜索最相似的文档，然后将这些文档添加到提示中，从而实现 RAG（Retrieval Augmented Generation）的效果。
本文简单的介绍了如何使用 rig-core 库来使用 Ollama 的本地模型实现 RAG。这是一个基本的示例，实际应用中可能需要根据需求进行一些调整和扩展。后面会有更详细的介绍和示例，比如：文档（PDF、Word、excel、PPT）解析、数据持久化存储、……敬请期待。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |