本项目旨在通过将 RAG 知识库系统迁移到 CNB 平台的 CI/CD 流程，帮助学生掌握 Docker 技术生态的核心技能。我们将基于现有代码库，完成以下实践：

• 理解并掌握现代 AI 应用的标准架构
• Docker Compose环境配置
• 容器镜像优化
• CNB 持续集成
• 自动化测试与部署
• 如何在 CNB 上部署并运行大模型
• 真实项目的 Docker 排错能力锻练
• 如何从开源社区获取信息解决自己问题

原始项目 链接

• 您需要按照原始项目说明在 CNB 云原生开发平台中将项目运行起来
• 您需要配置 Frontend / Backend 服务的 CI 流程，使得 docker compose 从镜像启动服务，而不是从 dockerfile 构建。
• 您需要确保启动后的服务功能正常可用，可以正常进行 RAG 问答。
• 确保整个 docker compose 启动服务时间尽可能短。
• 系统提供默认账号 (admin / Admin123)，登录后可以体验问答功能。
• 如果您对 RAG 领域有兴趣，也可以对项目进项二次开发，完成你想做的功能【可选】。

• Fork 本仓库, 解锁项目副本。
• 在您 Fork 的仓库中点击 知行合一 按钮进入开发环境。
• 在云原生开发中完成项目目标，最终生成 RAG 项目的临时连接，将链接发送给助教。
• 完成后提交代码到 main 分支，并创建合并请求自动化评分（评分标准待建设）

• 什么是 RAG
• CNB 运行大模型的最佳实践
• CNB CI/CD 最佳实践案例

docker compose up -d --build