大家好，我是python222_小锋老师，分享一套优质的AI大模型-基于LangChain的RAG健康生活助手智能问答系统(Flask+Vue3+Ollama+Chroma) 。
项目简介
本系统采用前后端分离的B/S架构，前端使用Vue3框架结合Element Plus组件库构建用户界面，后端采用Python Flask框架提供RESTful API服务。系统核心采用LangChain框架集成Ollama大语言模型和ChromaDB向量数据库，实现了基于RAG技术的智能问答功能。系统主要包括用户管理、知识库管理、健康文档管理与向量化、智能问答、对话历史记录和数据统计可视化等功能模块。
在系统实现过程中，本文详细阐述了健康文档解析与文本分块、向量化存储与语义检索、RAG问答链构建等关键技术的实现方案。通过将各类健康食谱、营养知识、运动指南、养生技巧进行向量化处理并存入ChromaDB，系统能够根据用户的自然语言提问（如“适合上班族的快手减脂餐”“换季时如何预防感冒”等）进行语义级别的相似度检索，检索到最相关的健康知识片段后，结合大语言模型生成准确、实用、个性化的健康生活建议。系统还实现了JWT身份认证、角色权限控制、数据可视化等功能，具备良好的安全性和易用性。经测试验证，系统各项功能运行稳定，问答结果准确可靠，能够有效辅助用户进行日常健康决策，具有较好的应用价值和推广前景。
源码下载
链接: pan.baidu.com/s/1AetPlmak…
提取码: 1234
相关截图
核心代码
RAG问答核心服务
基于LangChain构建检索增强生成（RAG）问答链
使用Ollama的qwen3:8b作为大语言模型
"""
from flask import current_app
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from services.vector_service import VectorService
# RAG系统提示词模板
SYSTEM_PROMPT = """你是一个企业内部知识库智能问答助手。请根据以下提供的参考资料来回答用户的问题。
要求：
1. 仅根据参考资料中的内容来回答问题，不要编造信息
2. 如果参考资料中没有相关信息，请如实告知用户
3. 回答要准确、简洁、专业
4. 使用中文回答
参考资料：
{context}
"""
# 用户提问模板
USER_PROMPT = "{question}"
class RAGService:
"""RAG问答服务类"""
def __init__(self):
"""初始化LLM模型和向量服务"""
self.llm = ChatOllama(
model=current_app.config['OLLAMA_LLM_MODEL'],
base_url=current_app.config['OLLAMA_BASE_URL'],
temperature=0.3,
timeout=3600
)
self.vector_service = VectorService()
def _format_docs(self, docs):
"""
将检索到的文档格式化为上下文文本
:param docs: 检索到的文档列表
:return: 格式化后的文本
"""
formatted = []
for i, doc in enumerate(docs, 1):
source = doc.metadata.get('file_name', '未知来源')
formatted.append(f"[来源{i}: {source}]\n{doc.page_content}")
return '\n\n'.join(formatted)
def _extract_source_docs(self, docs):
"""
提取参考文档来源信息
:param docs: 检索到的文档列表
:return: 来源信息列表
"""
sources = []
seen = set()
for doc in docs:
file_name = doc.metadata.get('file_name', '未知')
if file_name not in seen:
seen.add(file_name)
sources.append({
'file_name': file_name,
'content': doc.page_content[:200]
})
return sources
def ask(self, question, kb_id):
"""
RAG问答主方法
流程: 用户提问 -> 向量检索 -> 构建上下文 -> LLM生成回答
:param question: 用户问题
:param kb_id: 知识库ID
:return: (回答文本, 参考来源列表)
"""
# 获取知识库的检索器
retriever = self.vector_service.get_retriever(kb_id)
# 检索相关文档
docs = retriever.invoke(question)
if not docs:
return '抱歉，在知识库中未找到与您问题相关的内容，请尝试换个方式提问。', []
# 构建提示词
prompt = ChatPromptTemplate.from_messages([
('system', SYSTEM_PROMPT),
('human', USER_PROMPT)
])
# 构建RAG链：检索 -> 格式化上下文 -> 提示词 -> LLM -> 解析输出
rag_chain = (
{
'context': lambda x: self._format_docs(docs),
'question': RunnablePassthrough()
}
| prompt
| self.llm
| StrOutputParser()
)
# 执行问答
answer = rag_chain.invoke(question)
# 提取参考来源
source_docs = self._extract_source_docs(docs)
return answer, source_docs
