当前位置：首页 > news >正文

RAG系统学习之——RAG技术详解与实战指南

news 2025/11/15 6:27:02

第一部分：RAG出现的背景

1.1 大语言模型的局限性

在深入了解RAG（检索增强生成）技术之前，我们需要先理解为什么这项技术会出现，以及它解决了什么问题。

知识截止时间问题

大语言模型（LLM）的训练数据存在时间截止问题。即使是最先进的模型，如GPT-4、Claude等，其训练数据都有明确的时间边界。以2025年为基准，即使是2024年底发布的模型，其训练数据也只截止到某个特定时间点，无法获取最新的信息、知识更新和时事动态。（联网搜索只是一个插件）

幻觉（Hallucination）现象

LLM存在一个固有的缺陷——"幻觉"现象，即模型会生成看似合理但实际不准确的信息。这包括：

编造不存在的事实
混淆不相关的概念
生成看似专业但实际错误的答案
缺乏对信息准确性的验证机制

例如，当被问及特定年份的统计数据时，模型可能会根据训练模式"推测"出一个看起来合理但实际错误的数字。

领域知识缺失

通用的大语言模型虽然知识面广泛，但在特定垂直领域可能缺乏深度专业知识。比如医疗诊断、法律条文、金融分析等专业领域，需要更精确和可靠的信息来源。

1.2 技术发展背景

2023-2025年RAG技术快速发展

RAG技术从2023年开始受到广泛关注，到2025年已经成为大模型应用的主流范式之一。根据最新研究，RAG技术正在经历快速演进，包括DeepRAG、RealRAG、SafeRAG等新方法的不断涌现。

企业级应用需求推动

随着AI技术在企业中的应用深入，企业对知识管理、文档问答、客户服务自动化等场景的需求激增。RAG技术正好满足了这些需求：

知识库问答：企业可以上传内部文档，构建专属知识库
文档处理：自动分析和理解大量文档内容
客户服务：基于企业知识库提供准确回答
合规性检查：基于最新法规和标准进行检查

开源生态成熟

RAG技术的快速发展离不开成熟的开源生态系统：

LangChain：提供完整的RAG应用开发框架
Ollama：简化本地LLM部署和管理
ChromaDB：高效的向量数据库解决方案
Streamlit：快速构建RAG应用界面

这些工具的成熟使得开发者可以快速构建功能完整的RAG应用。

1.3 市场需求驱动

成本效益考虑

相比传统的模型微调（Fine-tuning），RAG技术具有显著的成本优势：

无需重新训练：避免昂贵的模型训练成本
快速更新：知识库更新比模型重新训练更简单快捷
灵活性强：一个模型可以处理多个领域的知识库

隐私和数据安全

在数据隐私日益重要的今天，RAG技术支持本地部署，避免敏感数据上传到云端：

本地处理：所有数据处理在本地完成
数据控制：企业完全控制数据流向
合规性：满足各种数据保护法规要求

第二部分：RAG技术定义

2.1 核心概念

检索增强生成（Retrieval-Augmented Generation）定义

RAG是一种结合了信息检索技术与语言生成的AI技术架构。其核心思想是：在生成回答之前，先从外部知识库中检索相关信息，然后将这些检索到的信息作为上下文提供给语言模型，用于生成更准确、更相关的回答。

简单来说，RAG的工作流程可以分为三个步骤：

检索：根据用户问题，从知识库中找到相关信息
增强：将检索到的信息作为上下文
生成：基于增强的上下文生成回答

RAG vs 传统文本生成

方面	传统文本生成	RAG生成
知识来源	训练时获得的知识	实时检索的外部知识
准确性	可能出现幻觉	基于真实文档，准确率更高
时效性	受训练数据时间限制	可以访问最新信息
可解释性	难以追溯答案来源	可以引用具体文档段落
扩展性	需要重新训练	只需更新知识库

RAG vs Fine-tuning（微调）

方面	RAG	Fine-tuning
成本	低，无需重新训练模型	高，需要大量计算资源
实施时间	快，几小时到几天	慢，需要数天到数周
知识更新	简单，替换文档即可	复杂，需要重新训练
模型数量	一个模型处理多个领域	一个模型专攻一个领域
解释性	强，可以追溯文档	弱，难以解释学习到的知识
适用场景	知识密集型任务	风格或格式转换任务

2.2 技术架构

RAG系统的核心架构包含三个主要阶段：

阶段一：索引（Indexing）

文档加载：处理各种格式的文档（PDF、Word、TXT等）
文本分块：将长文档分割成适当大小的段落
向量化：使用embedding模型将文本转换为向量表示
存储：将向量存储到向量数据库中

阶段二：检索（Retrieval）

接收用户查询
将查询向量化
在向量数据库中搜索相似向量
检索最相关的文档片段

阶段三：生成（Generation）

将检索到的文档片段与用户查询组合成提示词
将增强的提示词发送给语言模型
生成基于检索内容的回答
可选：将回答与原文进行事实核查

2.3 技术演进

RAG技术经历了快速的演进过程，从简单的检索增强发展到了复杂的多模态智能系统：

1. Naive RAG（简单RAG）

采用基本的向量检索方法
简单的文本匹配和检索
结构简单但功能有限
适用于基础的知识问答场景

2. Advanced RAG（高级RAG）

引入更智能的检索策略
包含查询重写、查询扩展等技术
引入重排序（Re-ranking）机制
提高检索质量和生成准确性

3. Modular RAG（模块化RAG）

采用模块化设计思想
不同功能模块可以灵活组合
支持跨组件的端到端训练
提供更高的系统灵活性和可扩展性

4. Graph RAG（图谱RAG）

引入知识图谱技术
利用实体关系进行智能检索
提供更丰富的上下文理解
适用于复杂关系数据的处理

5. Agentic RAG（智能体RAG）

集成智能体（Agent）技术
支持复杂的推理和决策过程
具备自主学习和适应能力
代表RAG技术的最前沿发展

第三部分：RAG优缺点分析

3.1 主要优势

知识时效性

RAG最大的优势之一是能够获取最新信息。通过连接外部知识库，系统可以：

实时获取最新数据
更新知识库无需重新训练模型
处理动态变化的信息环境
提供具有时效性的准确回答

减少幻觉现象

通过基于真实文档生成回答，RAG显著减少了传统语言模型的幻觉问题：

答案有据可查，可以追溯到具体文档
减少编造事实的情况
提供更可靠的信息
增强用户对AI系统的信任度

可解释性强

RAG系统具有良好的可解释性：

可以显示答案来源于哪些文档
用户可以验证信息的准确性
支持引用和标注功能
便于审计和合规性检查

成本效益显著

相比其他技术方案，RAG具有明显的成本优势：

避免昂贵的模型训练成本
减少计算资源需求
缩短开发周期
降低技术门槛

部署灵活性

RAG技术支持多种部署方式：

云端部署：便于扩展和维护
本地部署：保护数据隐私
混合部署：平衡性能和安全性
边缘部署：支持离线使用

3.2 主要挑战

检索质量依赖

RAG系统的效果很大程度上依赖于检索质量：

垃圾进垃圾出（GIGO）原则依然适用
文档质量直接影响系统性能
检索算法的选择影响结果准确性
需要精心设计文档预处理策略

向量表示局限性

当前的向量表示技术仍存在局限：

语义理解的深度不足
难以处理复杂的逻辑推理
可能遗漏重要的语义关系
对多语言支持有待改善

文档处理复杂性

实际应用中需要处理各种复杂格式的文档：

PDF解析：表格、图表、图片处理困难
文档格式：Word、HTML、Markdown等格式差异
语言混用：多种语言混合的文档处理
结构化数据：表格、数据库等结构化信息处理

实时性能挑战

在处理大规模文档时面临的性能挑战：

大规模向量检索的延迟问题
内存使用量和存储空间需求
并发处理能力限制
响应速度与准确性的平衡

评估困难

RAG系统的效果评估存在挑战：

缺乏统一的质量评估标准
难以量化检索和生成的综合效果
主观评价与客观指标的差异
不同应用场景需要不同的评估方法

安全性考虑

RAG系统面临的安全挑战包括：

对抗攻击防护：恶意文档可能影响系统输出
数据投毒：恶意插入虚假信息
隐私泄露：敏感信息可能被意外检索
版权问题：知识库内容的版权保护

3.3 适用场景分析

✅ 适合RAG的场景

企业知识库问答
- 内部文档管理
- 员工培训材料
- 技术文档查询
- 政策法规解读
文档分析和总结
- 法律文档分析
- 学术论文总结
- 报告内容提取
- 合规性检查
客户服务自动化
- 基于知识库的FAQ
- 产品支持文档
- 常见问题解答
- 投诉处理支持
专业领域咨询
- 医疗健康咨询
- 法律条文解释
- 技术支持服务
- 教育培训内容

❌ 不适合RAG的场景

创意写作任务
- 小说创作
- 诗歌写作
- 营销文案
- 创意设计
纯数学推理
- 复杂数学计算
- 定理证明
- 逻辑推理题
- 算法优化
实时数据分析
- 股票价格预测
- 实时监控告警
- 动态定价
- 实时推荐
需要精确数值计算的任务
- 科学计算
- 工程设计
- 财务分析
- 统计建模

第四部分：实战项目 - 本地RAG系统

4.1 项目概述

在这个实战项目中，我们将构建一个完整的本地RAG系统，具备以下特性：

核心功能

支持多种文档格式上传（PDF、TXT、DOCX）
基于本地Ollama模型进行问答
使用Streamlit构建用户友好的Web界面
实时文档处理和向量化
检索结果可视化

技术栈

后端：Python 3.9+
向量数据库：ChromaDB
机器学习框架：LangChain
LLM：Ollama（支持多种本地模型）
Web界面：Streamlit
文档处理：PyPDF2、python-docx

项目结构

rag_system/
├── app.py                 # Streamlit主应用
├── requirements.txt       # 依赖包列表
├── config.py             # 配置文件
├── utils/
│   ├── __init__.py
│   ├── document_loader.py    # 文档加载模块
│   ├── vector_store.py       # 向量存储模块
│   ├── retriever.py          # 检索模块
│   └── llm_handler.py        # LLM处理模块
├── data/
│   ├── documents/            # 上传的文档
│   └── vector_store/         # 向量数据库存储
└── temp/                 # 临时文件

4.2 环境准备

系统要求

Python 3.9 或更高版本
至少4GB可用内存
足够的存储空间（用于存储向量数据）
Ollama安装和配置

安装Ollama

首先安装Ollama框架：

# 在macOS上安装
brew install ollama# 在Linux上安装
curl -fsSL https://ollama.ai/install.sh | sh# 在Windows上
# 下载安装包：https://ollama.ai/download

安装并启动模型

# 下载Llama2模型（或其他可用模型）
ollama pull llama2
ollama pull nomic-embed-text# 验证模型安装
ollama list

创建虚拟环境并安装Python依赖

# 创建虚拟环境
python -m venv rag_env
source rag_env/bin/activate  # Linux/macOS
# 或
rag_env\Scripts\activate     # Windows# 创建requirements.txt
cat > requirements.txt << EOF
streamlit==1.28.0
langchain==0.1.0
langchain-community==0.0.10
chromadb==0.4.18
sentence-transformers==2.2.2
PyPDF2==3.0.1
python-docx==1.1.0
python-multipart==0.0.6
ollama==0.1.7
pandas==2.1.0
matplotlib==3.7.0
plotly==5.17.0
EOF# 安装依赖
pip install -r requirements.txt

4.3 核心代码实现

4.3.1 主应用文件 (app.py)

import streamlit as st
import os
import tempfile
from pathlib import Path
import sys# 添加项目路径
sys.path.append(os.path.dirname(os.path.abspath(__file__)))from utils.document_loader import DocumentLoader
from utils.vector_store import VectorStoreManager
from utils.retriever import RAGRetriever
from utils.llm_handler import LLMHandler
from config import Config# 页面配置
st.set_page_config(page_title="本地RAG系统",page_icon="📚",layout="wide",initial_sidebar_state="expanded"
)# 自定义CSS
st.markdown("""
<style>.main-header {font-size: 3rem;color: #1f77b4;text-align: center;margin-bottom: 2rem;}.section-header {font-size: 1.5rem;color: #2e86ab;margin-top: 2rem;margin-bottom: 1rem;}.info-box {background-color: #f0f2f6;padding: 1rem;border-radius: 0.5rem;border-left: 4px solid #1f77b4;margin: 1rem 0;}
</style>
""", unsafe_allow_html=True)def initialize_session_state():"""初始化会话状态"""if 'vector_store_manager' not in st.session_state:st.session_state.vector_store_manager = VectorStoreManager()if 'document_loader' not in st.session_state:st.session_state.document_loader = DocumentLoader()if 'llm_handler' not in st.session_state:st.session_state.llm_handler = LLMHandler()if 'retriever' not in st.session_state:st.session_state.retriever = RAGRetriever(st.session_state.vector_store_manager)if 'chat_history' not in st.session_state:st.session_state.chat_history = []if 'documents_processed' not in st.session_state:st.session_state.documents_processed = Falsedef main():# 初始化应用initialize_session_state()# 主标题st.markdown('<h1 class="main-header">📚 本地RAG知识库系统</h1>', unsafe_allow_html=True)# 侧边栏with st.sidebar:st.header("🔧 系统设置")# 模型选择model_options = ["llama2", "llama2:7b", "codellama", "mistral"]selected_model = st.selectbox("选择LLM模型",model_options,index=0)# 检索参数top_k = st.slider("检索文档数量", 1, 10, 3)# 清除按钮if st.button("🗑️ 清除所有数据", type="secondary"):st.session_state.vector_store_manager.clear_all()st.session_state.chat_history = []st.session_state.documents_processed = Falsest.success("数据已清除！")st.rerun()st.divider()# 系统状态st.header("📊 系统状态")status_placeholder = st.empty()# 更新状态显示with status_placeholder.container():vector_count = st.session_state.vector_store_manager.get_vector_count()st.metric("向量数量", vector_count)if st.session_state.documents_processed:st.success("✅ 文档已处理")else:st.warning("⏳ 等待文档上传")# 主要内容区域col1, col2 = st.columns([1, 1])with col1:st.markdown('<h2 class="section-header">📁 文档上传</h2>', unsafe_allow_html=True)uploaded_files = st.file_uploader("上传文档文件",type=['pdf', 'txt', 'docx'],accept_multiple_files=True,help="支持PDF、TXT、DOCX格式的文档")if uploaded_files:process_documents(uploaded_files)# 显示已上传的文档列表if st.session_state.vector_store_manager.has_documents():st.markdown("### 📋 已处理文档")documents = st.session_state.vector_store_manager.get_document_list()for doc in documents:st.text(f"📄 {doc}")with col2:st.markdown('<h2 class="section-header">💬 智能问答</h2>', unsafe_allow_html=True)# 聊天界面if st.session_state.chat_history:for message in st.session_state.chat_history:if message['role'] == 'user':st.markdown(f"**用户**: {message['content']}")else:st.markdown(f"**AI**: {message['content']}")st.divider()# 用户输入user_input = st.text_input("请输入您的问题",placeholder="例如：文档中提到的关键技术有哪些？",key="user_input")col_query, col_clear = st.columns([4, 1])with col_query:if st.button("🚀 提交问题", type="primary") and user_input:process_query(user_input, selected_model, top_k)with col_clear:if st.button("🗑️ 清空聊天", type="secondary"):st.session_state.chat_history = []st.rerun()def process_documents(uploaded_files):"""处理上传的文档"""if not uploaded_files:returnwith st.spinner("正在处理文档..."):for uploaded_file in uploaded_files:try:# 保存临时文件with tempfile.NamedTemporaryFile(delete=False, suffix=f".{uploaded_file.name.split('.')[-1]}") as tmp_file:tmp_file.write(uploaded_file.getvalue())tmp_file_path = tmp_file.name# 处理文档docs = st.session_state.document_loader.load_document(tmp_file_path)if docs:# 添加到向量存储st.session_state.vector_store_manager.add_documents(docs)st.success(f"✅ 已处理文档: {uploaded_file.name}")else:st.warning(f"⚠️ 无法处理文档: {uploaded_file.name}")# 清理临时文件os.unlink(tmp_file_path)except Exception as e:st.error(f"❌ 处理文档失败: {uploaded_file.name} - {str(e)}")st.session_state.documents_processed = Truest.rerun()def process_query(query, model, top_k):"""处理用户查询"""try:# 添加用户消息到历史st.session_state.chat_history.append({'role': 'user','content': query})with st.spinner("正在检索和生成答案..."):# 检索相关文档retrieved_docs = st.session_state.retriever.retrieve(query, top_k=top_k)# 生成回答answer = st.session_state.llm_handler.generate_answer(query, retrieved_docs, model)# 添加AI回答到历史st.session_state.chat_history.append({'role': 'assistant','content': answer})st.rerun()except Exception as e:st.error(f"❌ 查询处理失败: {str(e)}")if __name__ == "__main__":main()

4.3.2 配置文件 (config.py)

import os
from pathlib import Pathclass Config:"""应用配置"""# 基础路径BASE_DIR = Path(__file__).parentDATA_DIR = BASE_DIR / "data"TEMP_DIR = BASE_DIR / "temp"# 向量数据库配置VECTOR_DB_DIR = DATA_DIR / "vector_store"CHROMA_SETTINGS = {"persist_directory": str(VECTOR_DB_DIR),"anonymized_telemetry": False}# 文档处理配置CHUNK_SIZE = 1000CHUNK_OVERLAP = 200MAX_CHUNK_SIZE = 2000# 嵌入模型配置EMBEDDING_MODEL_NAME = "sentence-transformers/all-MiniLM-L6-v2"# Ollama配置OLLAMA_HOST = "http://localhost:11434"DEFAULT_MODEL = "llama2"# 检索配置DEFAULT_TOP_K = 3SIMILARITY_THRESHOLD = 0.7# 支持的文件格式SUPPORTED_FORMATS = ['.pdf', '.txt', '.docx']# 创建必要目录@classmethoddef create_directories(cls):"""创建必要的目录"""cls.DATA_DIR.mkdir(exist_ok=True)cls.VECTOR_DB_DIR.mkdir(exist_ok=True)cls.TEMP_DIR.mkdir(exist_ok=True)# 创建子目录(cls.DATA_DIR / "documents").mkdir(exist_ok=True)

4.3.3 文档加载模块 (utils/document_loader.py)

import os
import io
from typing import List, Union, Optional
from pathlib import Pathimport PyPDF2
from docx import Document
from langchain.schema import Document as LangchainDocument
from langchain.text_splitter import RecursiveCharacterTextSplitterfrom config import Configclass DocumentLoader:"""文档加载和预处理类"""def __init__(self):self.config = Config()self.text_splitter = RecursiveCharacterTextSplitter(chunk_size=self.config.CHUNK_SIZE,chunk_overlap=self.config.CHUNK_OVERLAP,length_function=len,)def load_document(self, file_path: Union[str, Path]) -> Optional[List[LangchainDocument]]:"""加载单个文档Args:file_path: 文档文件路径Returns:文档对象列表，如果加载失败则返回None"""file_path = Path(file_path)if not file_path.exists():print(f"文件不存在: {file_path}")return Nonefile_extension = file_path.suffix.lower()try:if file_extension == '.pdf':return self._load_pdf(file_path)elif file_extension == '.txt':return self._load_text(file_path)elif file_extension == '.docx':return self._load_docx(file_path)else:print(f"不支持的文件格式: {file_extension}")return Noneexcept Exception as e:print(f"加载文档失败 {file_path}: {str(e)}")return Nonedef _load_pdf(self, file_path: Path) -> List[LangchainDocument]:"""加载PDF文档"""documents = []try:with open(file_path, 'rb') as file:pdf_reader = PyPDF2.PdfReader(file)text = ""for page_num, page in enumerate(pdf_reader.pages):page_text = page.extract_text()if page_text.strip():text += f"\n--- 第{page_num + 1}页 ---\n"text += page_text.strip()if text.strip():# 分割文本chunks = self.text_splitter.split_text(text)for i, chunk in enumerate(chunks):documents.append(LangchainDocument(page_content=chunk,metadata={"source": str(file_path),"page": i // (self.config.CHUNK_SIZE // 500),  # 估算页数"chunk_id": i}))except Exception as e:raise Exception(f"PDF处理失败: {str(e)}")return documentsdef _load_text(self, file_path: Path) -> List[LangchainDocument]:"""加载文本文档"""try:with open(file_path, 'r', encoding='utf-8') as file:text = file.read()if not text.strip():return []# 分割文本chunks = self.text_splitter.split_text(text)documents = []for i, chunk in enumerate(chunks):documents.append(LangchainDocument(page_content=chunk,metadata={"source": str(file_path),"chunk_id": i}))return documentsexcept Exception as e:raise Exception(f"文本文件处理失败: {str(e)}")def _load_docx(self, file_path: Path) -> List[LangchainDocument]:"""加载Word文档"""try:doc = Document(file_path)text = ""# 提取段落for paragraph in doc.paragraphs:if paragraph.text.strip():text += paragraph.text + "\n"# 提取表格for table in doc.tables:for row in table.rows:row_text = []for cell in row.cells:if cell.text.strip():row_text.append(cell.text.strip())if row_text:text += " | ".join(row_text) + "\n"if not text.strip():return []# 分割文本chunks = self.text_splitter.split_text(text)documents = []for i, chunk in enumerate(chunks):documents.append(LangchainDocument(page_content=chunk,metadata={"source": str(file_path),"chunk_id": i}))return documentsexcept Exception as e:raise Exception(f"Word文档处理失败: {str(e)}")def load_multiple_documents(self, file_paths: List[Union[str, Path]]) -> List[LangchainDocument]:"""批量加载文档Args:file_paths: 文档文件路径列表Returns:所有文档的合并列表"""all_documents = []for file_path in file_paths:documents = self.load_document(file_path)if documents:all_documents.extend(documents)return all_documentsdef validate_file_format(self, file_path: Union[str, Path]) -> bool:"""验证文件格式Args:file_path: 文件路径Returns:是否为支持的文件格式"""file_path = Path(file_path)return file_path.suffix.lower() in self.config.SUPPORTED_FORMATS

4.3.4 向量存储模块 (utils/vector_store.py)

import os
from typing import List, Optional, Dict, Any
from pathlib import Pathfrom langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.schema import Document as LangchainDocumentfrom config import Configclass VectorStoreManager:"""向量存储管理器"""def __init__(self, collection_name: str = "documents"):self.config = Config()self.collection_name = collection_nameself.vector_store: Optional[Chroma] = Noneself.embeddings = Noneself._initialize_embeddings()self._load_or_create_vector_store()def _initialize_embeddings(self):"""初始化嵌入模型"""try:self.embeddings = HuggingFaceEmbeddings(model_name=self.config.EMBEDDING_MODEL_NAME,model_kwargs={'device': 'cpu'},encode_kwargs={'normalize_embeddings': True})except Exception as e:raise Exception(f"嵌入模型初始化失败: {str(e)}")def _load_or_create_vector_store(self):"""加载或创建向量存储"""try:# 检查是否已有向量存储if os.path.exists(self.config.VECTOR_DB_DIR) and \os.listdir(self.config.VECTOR_DB_DIR):self.vector_store = Chroma(persist_directory=str(self.config.VECTOR_DB_DIR),embedding_function=self.embeddings,collection_name=self.collection_name)else:# 创建新的向量存储self.vector_store = Chroma(collection_name=self.collection_name,embedding_function=self.embeddings,persist_directory=str(self.config.VECTOR_DB_DIR))except Exception as e:raise Exception(f"向量存储初始化失败: {str(e)}")def add_documents(self, documents: List[LangchainDocument]) -> bool:"""添加文档到向量存储Args:documents: 文档列表Returns:是否添加成功"""if not documents:return Falsetry:# 提取文本内容texts = [doc.page_content for doc in documents]metadatas = [doc.metadata for doc in documents]# 添加到向量存储self.vector_store.add_texts(texts=texts,metadatas=metadatas)# 持久化self.vector_store.persist()return Trueexcept Exception as e:print(f"添加文档失败: {str(e)}")return Falsedef similarity_search(self, query: str, k: int = 3) -> List[LangchainDocument]:"""基于相似性搜索文档Args:query: 查询文本k: 返回文档数量Returns:相似文档列表"""try:return self.vector_store.similarity_search(query=query,k=k)except Exception as e:print(f"相似性搜索失败: {str(e)}")return []def similarity_search_with_score(self, query: str, k: int = 3) -> List[tuple]:"""带分数的相似性搜索Args:query: 查询文本k: 返回文档数量Returns:包含文档和相似度分数的元组列表"""try:return self.vector_store.similarity_search_with_score(query=query,k=k)except Exception as e:print(f"带分数的相似性搜索失败: {str(e)}")return []def get_vector_count(self) -> int:"""获取向量数量"""try:if self.vector_store:return self.vector_store._collection.count()return 0except:return 0def has_documents(self) -> bool:"""检查是否有文档"""return self.get_vector_count() > 0def get_document_list(self) -> List[str]:"""获取文档列表"""try:if not self.vector_store:return []# 获取所有文档的元数据docs = self.vector_store.get()sources = set()if 'metadatas' in docs and docs['metadatas']:for metadata in docs['metadatas']:if 'source' in metadata:sources.add(Path(metadata['source']).name)return sorted(list(sources))except Exception as e:print(f"获取文档列表失败: {str(e)}")return []def clear_all(self):"""清除所有数据"""try:if self.vector_store:self.vector_store.delete_collection()self._load_or_create_vector_store()except Exception as e:print(f"清除数据失败: {str(e)}")def update_collection_name(self, new_name: str):"""更新集合名称"""self.collection_name = new_nameself._load_or_create_vector_store()def get_collection_info(self) -> Dict[str, Any]:"""获取集合信息"""try:if not self.vector_store:return {"error": "向量存储未初始化"}count = self.vector_store._collection.count()return {"collection_name": self.collection_name,"vector_count": count,"embeddings_model": self.config.EMBEDDING_MODEL_NAME,"persist_directory": str(self.config.VECTOR_DB_DIR)}except Exception as e:return {"error": str(e)}

4.3.5 检索模块 (utils/retriever.py)

from typing import List, Dict, Any, Optional
from langchain.schema import Document as LangchainDocumentfrom utils.vector_store import VectorStoreManagerclass RAGRetriever:"""RAG检索器"""def __init__(self, vector_store_manager: VectorStoreManager):self.vector_store_manager = vector_store_managerdef retrieve(self, query: str, top_k: int = 3) -> List[Dict[str, Any]]:"""检索相关文档Args:query: 用户查询top_k: 返回文档数量Returns:检索结果列表，包含文档内容、元数据和相似度分数"""try:# 执行相似性搜索docs_with_scores = self.vector_store_manager.similarity_search_with_score(query=query, k=top_k)results = []for doc, score in docs_with_scores:results.append({"content": doc.page_content,"metadata": doc.metadata,"similarity_score": score,"source": doc.metadata.get("source", "unknown"),"chunk_id": doc.metadata.get("chunk_id", "unknown")})return resultsexcept Exception as e:print(f"检索失败: {str(e)}")return []def retrieve_with_context(self, query: str, top_k: int = 3) -> str:"""检索并构造上下文文本Args:query: 用户查询top_k: 返回文档数量Returns:构造的上下文文本"""retrieved_docs = self.retrieve(query, top_k)if not retrieved_docs:return "未找到相关内容。"context_parts = []for i, doc in enumerate(retrieved_docs, 1):context_parts.append(f"=== 文档片段 {i} ===")context_parts.append(f"内容: {doc['content']}")context_parts.append(f"来源: {doc['source']}")context_parts.append(f"相关度: {doc['similarity_score']:.3f}")context_parts.append("")return "\n".join(context_parts)def get_retrieval_info(self, query: str, top_k: int = 3) -> Dict[str, Any]:"""获取检索详细信息"""retrieved_docs = self.retrieve(query, top_k)return {"query": query,"total_results": len(retrieved_docs),"results": retrieved_docs,"avg_similarity": sum(doc["similarity_score"] for doc in retrieved_docs) / len(retrieved_docs) if retrieved_docs else 0}

4.3.6 LLM处理模块 (utils/llm_handler.py)

import requests
import json
from typing import List, Dict, Any, Optionalfrom langchain.schema import Document as LangchainDocument
from utils.retriever import RAGRetrieverclass LLMHandler:"""大语言模型处理器"""def __init__(self):self.base_url = "http://localhost:11434/api/generate"def generate_answer(self, query: str, retrieved_docs: List[Dict[str, Any]], model: str = "llama2",temperature: float = 0.7) -> str:"""生成回答Args:query: 用户查询retrieved_docs: 检索到的文档model: 模型名称temperature: 生成温度Returns:生成的答案"""try:# 构造上下文context = self._construct_context(query, retrieved_docs)# 构造提示词prompt = self._create_prompt(query, context)# 调用Ollama APIresponse = self._call_ollama_api(prompt, model, temperature)return responseexcept Exception as e:return f"生成回答时发生错误: {str(e)}"def _construct_context(self, query: str, retrieved_docs: List[Dict[str, Any]]) -> str:"""构造上下文信息"""if not retrieved_docs:return "未找到相关信息。"context_parts = []context_parts.append("以下是与问题相关的信息片段：\n")for i, doc in enumerate(retrieved_docs, 1):context_parts.append(f"【片段 {i}】")context_parts.append(f"内容：{doc['content']}")context_parts.append(f"来源：{doc['source']}")if 'chunk_id' in doc['metadata']:context_parts.append(f"位置：第{doc['metadata']['chunk_id']}段")context_parts.append("")return "\n".join(context_parts)def _create_prompt(self, query: str, context: str) -> str:"""创建提示词"""prompt = f"""你是一个专业的问答助手。请根据提供的上下文信息回答用户的问题。用户问题：{query}相关上下文：
{context}请注意：
1. 回答必须基于提供的上下文信息
2. 如果上下文信息不足，请明确说明
3. 回答要准确、简洁、条理清晰
4. 如果有具体的数据或事实，请引用来源回答："""return promptdef _call_ollama_api(self, prompt: str, model: str, temperature: float) -> str:"""调用Ollama API"""try:payload = {"model": model,"prompt": prompt,"stream": False,"options": {"temperature": temperature,"num_predict": 1000,"top_k": 40,"top_p": 0.9,}}response = requests.post(self.base_url,json=payload,headers={"Content-Type": "application/json"},timeout=60)if response.status_code == 200:result = response.json()return result.get("response", "生成回答时出现未知错误。")else:raise Exception(f"API调用失败：{response.status_code} - {response.text}")except requests.exceptions.RequestException as e:raise Exception(f"网络请求失败：{str(e)}")except json.JSONDecodeError as e:raise Exception(f"响应解析失败：{str(e)}")except Exception as e:raise Exception(f"LLM调用失败：{str(e)}")def generate_with_citations(self, query: str, retrieved_docs: List[Dict[str, Any]], model: str = "llama2") -> Dict[str, Any]:"""生成带引用的回答"""try:# 生成普通回答answer = self.generate_answer(query, retrieved_docs, model)# 提取引用信息citations = []for i, doc in enumerate(retrieved_docs):citations.append({"source": doc['source'],"chunk_id": doc.get('chunk_id', 'unknown'),"similarity_score": doc['similarity_score']})return {"answer": answer,"citations": citations,"num_sources": len(citations)}except Exception as e:return {"answer": f"生成回答时发生错误: {str(e)}","citations": [],"num_sources": 0}def check_model_availability(self, model: str = "llama2") -> bool:"""检查模型是否可用"""try:test_payload = {"model": model,"prompt": "Hi","stream": False}response = requests.post(self.base_url,json=test_payload,headers={"Content-Type": "application/json"},timeout=10)return response.status_code == 200except:return False

4.4 运行系统

启动应用

# 确保虚拟环境已激活
source rag_env/bin/activate  # Linux/macOS
# 或
rag_env\Scripts\activate     # Windows# 确保Ollama正在运行
ollama serve# 启动Streamlit应用
streamlit run app.py

系统使用流程

文档上传
- 支持拖拽或点击上传PDF、TXT、DOCX文件
- 系统会自动处理和向量化文档
- 可查看处理进度和结果
智能问答
- 在右侧输入框中输入问题
- 系统检索相关文档片段
- 基于检索内容生成准确回答
- 可查看引用的文档来源
系统功能
- 清除数据：重置知识库
- 模型选择：切换不同的LLM模型
- 检索参数：调整检索文档数量

4.5 性能优化与部署

性能优化建议

文档预处理优化

# 在utils/document_loader.py中添加
def optimize_chunking(self, text: str, chunk_size: int = 1000):"""智能分块策略"""# 按句子分割，保持语义完整性sentences = text.split('。')chunks = []current_chunk = ""for sentence in sentences:if len(current_chunk + sentence) < chunk_size:current_chunk += sentence + "。"else:if current_chunk:chunks.append(current_chunk.strip())current_chunk = sentence + "。"if current_chunk:chunks.append(current_chunk.strip())return chunks

缓存机制

# 添加缓存装饰器
from functools import lru_cache@lru_cache(maxsize=1000)
def get_embedding_cached(self, text: str):"""缓存嵌入向量"""return self.embeddings.embed_query(text)

批量处理

def batch_process_documents(self, documents: List[LangchainDocument], batch_size: int = 100):"""批量处理文档"""for i in range(0, len(documents), batch_size):batch = documents[i:i + batch_size]self.add_documents(batch)print(f"已处理 {i + len(batch)} / {len(documents)} 文档")

部署选项

Docker容器化

FROM python:3.9-slimWORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txtCOPY . .EXPOSE 8501CMD ["streamlit", "run", "app.py", "--server.address", "0.0.0.0"]

生产环境配置

# production_config.py
class ProductionConfig:# 使用更强的嵌入模型EMBEDDING_MODEL_NAME = "sentence-transformers/all-mpnet-base-v2"# 增加并发处理MAX_CONCURRENT_REQUESTS = 10# 启用缓存ENABLE_CACHE = True# 监控和日志ENABLE_MONITORING = True