Minimax平台实现RAG有三种方式：一、通过function calling调用自建向量检索服务；二、预检索后将结果注入prompt实现静态RAG；三、利用Data Platform上传文档并生成知识库ID供chat接口直接调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在 Minimax 平台中实现检索增强生成（RAG），需通过外部数据库接入结构化或非结构化知识源，以支撑模型在生成时动态引用最新、专有数据。以下是可行的连接与集成方式：
一、使用 Minimax API 的 function calling 调用自建检索服务
Minimax 支持 function calling 机制，允许模型在生成过程中触发预定义函数。可将外部数据库封装为 HTTP 接口服务（如 FastAPI 或 Flask 构建的向量检索 API），再将其注册为 function 工具供模型调用。
1、部署一个支持语义检索的后端服务，该服务连接 PostgreSQL + pgvector 或 Milvus/Chroma 等向量数据库，并暴露 /retrieve 接口。
2、在调用 minimax.chat.completion 接口时，在 functions 字段中声明该检索函数，包括 name、description 和 parameters（如 query: string）。
3、在 messages 中传入用户问题，Minimax 模型会自动判断是否需要调用该函数，并返回 function_call 字段包含参数值。
4、程序捕获 function_call 响应后，用参数发起 HTTP 请求至自建检索服务，获取 top-k 相关文档片段。
5、将检索结果拼接进后续 messages 的 system 或 user 角色内容中，再次调用模型完成最终生成。
二、预检索后注入 context 实现静态 RAG 流程
不依赖 function calling，而是由业务系统在调用 Minimax 模型前完成全部检索逻辑，将匹配到的外部数据库内容作为上下文显式注入 prompt，适用于低延迟、确定性高的场景。
1、从 MySQL、Elasticsearch 或 MongoDB 中根据关键词或嵌入相似度查询相关记录。
2、对查得的原始文本进行截断、去重、摘要压缩，确保总 token 数控制在 Minimax 输入限制内（如 8192 tokens）。
使用 MiniMax Coding Plan API 进行网络搜索和图片理解。使用场景：(1) 用户需要搜索实时信息或新闻，(2) 需要分析图片内容，(3) 做研究或查找资料。无需 API key：用户需自行配置。
3、构造 prompt 模板，将数据库内容置于 system 角色消息中，格式示例：【知识库片段】{retrieved_text}。
4、将用户问题放入 user 角色消息，调用 minimax.chat.completion 接口提交完整对话历史。
5、解析 response.choices[0].message.content 获取模型基于注入知识生成的回答。
三、通过 Minimax Data Platform 上传并索引私有文档
Minimax 提供 Data Platform 控制台，支持上传 PDF、TXT、Markdown 等格式文件，系统自动完成分块、嵌入与向量索引，生成可被 chat 接口直接引用的知识库 ID。
1、登录 Minimax 开放平台，进入 Data Platform 页面，点击“新建知识库”。
2、上传本地存储于企业数据库导出的文档集（如客服工单记录、产品说明书 CSV 转 Markdown）。
3、配置分块策略（如按段落或固定长度 512 字符）、选择嵌入模型（默认 minimax-embedding）。
4、等待索引完成，获取返回的 knowledge_base_id 字符串。
5、在 chat.completion 请求中，于 tools 字段添加 type="knowledge_base"，并填入该 ID 及 retrieval_query 字段（即当前用户问题）。
