🔥 一篇文章学会企业级 RAG 知识库助手，基于 LangGraph + Vue3，建议收藏！

项目已开源，欢迎 Star 支持！

• 后端：github.com/ankeji/rag-…
• 前端：github.com/ankeji/know…

前言

最近 RAG（检索增强生成）技术非常火热，很多同学都在学习如何构建自己的知识库问答系统。我花了两个月时间，从零搭建了一个企业级 RAG 知识库助手，集成了当前最流行的技术栈，现在已经开源，希望能帮助大家学习和参考。

项目简介

这是一个基于 LangChain + LangGraph + Vue 3 构建的企业知识库问答系统，支持：

• ✅ 动态多文档导入 - 放入 PDF 即可自动构建知识库
• ✅ 混合检索 - 向量检索 + BM25 关键词检索
• ✅ Rerank 精排序 - 提升检索相关性
• ✅ 流式输出 - 实时展示思考过程
• ✅ Agent 工具调用 - 支持表管理、PDF 导入等操作
• ✅ Redis 会话存储 - 支持历史对话、分布式部署

技术架构

后端技术栈

技术	说明
LangChain + LangGraph	工作流编排、Agent 构建
ChromaDB	向量数据库
通义千问 qwen-turbo	LLM 模型
gte-rerank-v2	精排序模型
rank_bm25	BM25 关键词检索
FastAPI	Web 框架，支持流式输出
Redis	会话存储

前端技术栈

技术	说明
Vue 3	渐进式框架
Element Plus	UI 组件库
Vite	构建工具
Axios	HTTP 请求

架构图

┌─────────────────────────────────────────────────────────────┐
│                        前端 (Vue 3)                          │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐        │
│  │ 对话界面 │  │ 思考过程 │  │ 配置面板 │  │ 统计展示 │        │
│  └─────────┘  └─────────┘  └─────────┘  └─────────┘        │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼ SSE 流式输出
┌─────────────────────────────────────────────────────────────┐
│                    后端 (FastAPI + LangGraph)                │
│  ┌──────────────────────────────────────────────────────┐  │
│  │                    LangGraph 工作流                    │  │
│  │  用户输入 → 多问句生成 → 混合检索 → Rerank → 上下文压缩  │  │
│  │           → LLM 回答 → 流式输出                        │  │
│  └──────────────────────────────────────────────────────┘  │
│                              │                              │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐       │
│  │ ChromaDB│  │  BM25   │  │ Rerank  │  │  Redis  │       │
│  └─────────┘  └─────────┘  └─────────┘  └─────────┘       │
└─────────────────────────────────────────────────────────────┘

核心功能详解

1. RAG 检索流程

这是项目的核心，完整的 RAG 检索流程如下：

PDF导入 → 智能分块 → 向量化存储
                ↓
用户问题 → Redis获取历史 → 多问句生成 → 向量检索 + BM25检索 
                ↓
         合并去重 → Rerank精排序 → 上下文压缩 → LLM回答 → Redis保存历史

2. 多问句生成

用户的问题可能表述不精确，我们使用 LLM 生成多个检索问句，提高召回率：

# 输入：年假有多少天？
# 输出：["年假有多少天？", "年假天数规定", "员工年假政策"]

3. 混合检索

结合向量检索和 BM25 关键词检索的优势：

def hybrid_search(db, bm25, question, top_k=5):
    # 1. 向量检索 - 语义相似
    vector_candidates = db.search(question, top_k=top_k)
    
    # 2. BM25检索 - 关键词精确匹配
    bm25_candidates = bm25.search(question, top_k=top_k)
    
    # 3. 分数归一化 + 加权融合
    all_candidates = normalize_and_merge(
        vector_candidates, bm25_candidates,
        vector_weight=0.6, bm25_weight=0.4
    )
    
    return all_candidates

4. Rerank 精排序

使用 Cross-Encoder 模型对候选结果进行精排序：

def rerank(question, candidates):
    # 调用 gte-rerank-v2 模型
    results = rerank_api(question, [c["chunk"] for c in candidates])
    
    # 按相关性分数排序 + 阈值过滤
    filtered = [r for r in results if r["score"] >= threshold]
    return filtered[:top_k]

5. 流式输出 + 思考过程展示

前端实时展示 RAG 检索的每一步：

// SSE 流式接收
const eventSource = new EventSource('/api/chat/stream')

eventSource.onmessage = (event) => {
  const data = JSON.parse(event.data)
  
  if (data.type === 'log') {
    // 实时显示思考过程
    thinkingLogs.value.push(data.log)
  } else if (data.type === 'answer') {
    // 流式输出答案
    currentAnswer.value += data.content
  }
}

6. 动态多文档导入

这是我觉得最实用的功能！用户只需要把 PDF 文件放入 docs 目录，执行导入脚本即可：

# 1. 放入 PDF 文件
cp 员工手册.pdf docs/
cp 规章制度.pdf docs/

# 2. 执行导入
python pdf_import_script.py

# 输出：
# 📝 扫描PDF文件 → 发现 2 个 PDF 文件
# 📖 读取PDF文件: ./docs/员工手册.pdf
# ✂️ 文本分块 → 分块数量：150
# 🔢 生成向量 → 生成150个向量
# 📥 导入ChromaDB → 表名：yuan_gong_shou_ce
# ✅ 成功导入表【yuan_gong_shou_ce】

快速开始

1. 克隆项目

# 克隆后端
git clone https://github.com/ankeji/rag-pro.git
cd rag-pro

# 克隆前端
git clone https://github.com/ankeji/knowledge-assistant.git
cd knowledge-assistant

2. 后端配置

# 安装依赖
pip install -r requirements.txt

# 配置 API Key
echo "API_KEY=your_dashscope_api_key" > .env

# 导入文档
mkdir docs
cp your_document.pdf docs/
python pdf_import_script.py

# 启动服务
python api.py

3. 前端配置

# 安装依赖
npm install

# 启动开发服务器
npm run dev

访问 http://localhost:3000 即可使用！

效果展示

命令行问答

💬 请输入问题：年假有多少天？

📋 开始处理: 年假有多少天？
────────────────────────────────────────
✅ 检查加载数据库表: yuan_gong_shou_ce(150条) + gui_zhang_zhi_du(80条)
✅ 获取历史消息: 已获取0条历史消息
✅ 生成多检索问句: 生成3个检索问句
✅ 向量检索: 检索到12个候选
✅ Rerank精排序: 排序完成，保留前5个结果
✅ 模型生成回答: 回答长度:156字符

🤖 回答：
根据《员工手册》规定，员工年假天数如下：
- 工龄满1年不满10年：5天
- 工龄满10年不满20年：10天
- 工龄满20年及以上：15天

前端界面

前端界面支持：

• 📊 动态知识库统计
• 🔄 实时思考过程展示
• ⚙️ 可视化配置面板
• 🔐 角色权限管理

技术亮点

1. LangGraph 工作流编排

使用 LangGraph 构建清晰的工作流：

from langgraph.graph import StateGraph

workflow = StateGraph(WorkflowState)
workflow.add_node("init_database", node_init_database)
workflow.add_node("generate_queries", node_generate_queries)
workflow.add_node("vector_search", node_vector_search)
workflow.add_node("rerank", node_rerank)
workflow.add_node("generate_answer", node_generate_answer)

workflow.set_entry_point("init_database")
workflow.add_edge("init_database", "generate_queries")
workflow.add_edge("generate_queries", "vector_search")
# ...

2. Redis 会话存储 + 历史摘要

长对话场景下，使用 LLM 对历史进行摘要，节省上下文空间：

def summarize_history(messages):
    # 保留最新 N 轮完整对话
    old_messages = messages[:-KEEP_ROUNDS]
    recent_messages = messages[-KEEP_ROUNDS:]
    
    # LLM 生成摘要
    summary = llm.invoke(f"请总结以下对话：{old_messages}")
    
    return [HumanMessage(f"[历史摘要] {summary}")] + recent_messages

3. 浏览器指纹生成 Session ID

前端使用浏览器指纹生成唯一标识，无需登录即可区分用户：

const generateFingerprint = () => {
  const components = [
    navigator.userAgent,
    navigator.language,
    screen.width + 'x' + screen.height,
    canvas.toDataURL(),
    // ...
  ]
  return 'fp_' + hash(components)
}

项目结构

后端结构

rag-pro/
├── docs/                # 文档目录
├── main.py              # LangGraph 工作流
├── api.py               # FastAPI 服务
├── config.py            # 配置管理
├── tools.py             # Agent 工具
├── retriever.py         # 检索模块
├── llm_utils.py         # LLM 工具
├── embedding_utils.py   # 向量生成
├── chroma_store.py      # ChromaDB
├── pdf_utils.py         # PDF 解析
├── pdf_import_script.py # 导入脚本
├── session_store.py     # Redis 存储
└── requirements.txt     # 依赖

前端结构

knowledge-assistant/
├── src/
│   ├── components/
│   │   └── KnowledgeAssistant.vue  # 主组件
│   ├── App.vue
│   └── main.js
├── vite.config.js
└── package.json

总结

这个项目涵盖了 RAG 系统的完整技术栈，包括：

1. 文档处理：PDF 解析、智能分块、向量化
2. 检索优化：混合检索、Rerank 精排序、阈值过滤
3. LLM 应用：多问句生成、上下文压缩、历史摘要
4. 工程实践：流式输出、会话管理、配置动态更新
5. 前端交互：实时思考过程、可视化配置、角色权限

希望这个项目能帮助大家学习 RAG 技术，欢迎 Star 支持！

---

🔗 项目链接

• 后端项目：github.com/ankeji/rag-…
• 前端项目：github.com/ankeji/know…

⭐ Star 支持

如果这个项目对你有帮助，欢迎给个 Star ⭐，这是对我最大的鼓励！

也欢迎提 Issue 和 PR，一起完善这个项目！

---