AI问答知识库 - RAG流程基础功能实现
- GitHub地址：github.com/Shann-mu/mu…
- 基于
FastApi与LangChain等异步方式结合硅基流动API实现
项目功能
- 多模态对话，支持图片，音频，PDF
- 知识库创建与文档上传
- 基于向量检索的RAG增强回答
- 用户注册登录与历史会话记录
- 向量数据库与检索的异步处理
技术栈
- 前端
- React 19 + TypeScript
- Vite
- Ant Design + Tailwind CSS
- Axios
- 后端
- FastApi
- SQLAlchemy 2.0
- LangChain
- pgvector
- 数据库
- PostgreSQL 14+
项目特点
- 端到端RAG：PDF解析与分块 -> 向量化 -> pgvector入库 -> 余弦距离TopK检索 -> 将参考资料注入提示词中增强回答的可用性。
- 流式对话： 后端通过SSE协议推送流量输出，完成后落库完整恢复与引用信息；前端支持流式解析。
- 实现可解释性与引用溯源： 要求模型按照[1][2]格式引用检索资料，并从回复中抽取引用编号。
- 工程化与可靠性： 文档sha256去重避免重复入库；OCR兜底，当文本不足触发，支持百度OCR且token缓存。
项目缺陷
- 该项目只使用了langchain最基础的功能，并没有复杂的业务逻辑实现。
- 实现
检索-增强-生成时，并没有进行优化处理，只是简单完成RAG流程。 - 后端响应时间较长，效率较低，还有未发现的bug。
总结
该项目适合对RAG流程落地不太熟悉以及想学习RAG的小伙伴，由于博主技术微薄，项目本身具有很大的缺陷，不过还是希望能够对大家有一些帮助
参考文档
本项目最开始是参照掘金上一位大佬（大模型真好玩）的rag实战项目，一点一点扩充的，如果有兴趣，各位可以跟我一样从零开始。并且这位大佬的技术博客对我有很大的启发与帮助，下面我将链接奉上： LangChain1.0实战之多模态RAG系统（一）——多模态RAG系统核心架构及智能问答功能开发本文介绍了基于Lang - 掘金
LangChain1.0实战之多模态RAG系统（二）——多模态RAG系统图片分析与语音转写功能实现本期分享通过集成全模态 - 掘金
LangChain1.0实战之多模态RAG系统（三）——多模态RAG系统PDF解析功能实现本文分享了基于LangChai - 掘金
LangChain1.0实战之多模态RAG系统（四）——Trae Solo搭建部署多模态RAG前端(附AI编程实践指南) - 掘金
