KnowledgeBase-RAG-LLM-System

项目简介

一个轻量级、可本地复现的 RAG（检索增强生成） 学习项目。上传 .txt 文档自动切分入库，再以聊天形式提问，由模型基于检索到的知识库内容作答。

• 知识库上传 — 网页上传 txt 文件，切分后写入 Chroma 向量库（MD5 去重）
• RAG 问答 — Retrieval → Prompt → LLM → Output 链式调用，支持流式输出
• 会话管理 — 消息历史留存，支持基于历史的连续追问

适合作为 RAG 入门实践：依赖轻量、无需 GPU，替换成自己的业务文本即可使用。

效果展示

图 1 · 单轮知识库问答

图 2 · 结合历史消息的连续追问

示例知识库预置了衣物尺码推荐、材质洗涤养护、颜色搭配等内容（见 assets/*.txt），对标电商客服场景，可直接替换为自己的业务文本。

技术架构

快速开始

环境要求

• Python ≥ 3.10
• DashScope API Key（在阿里云百炼申请）

1. 安装依赖

git clone https://github.com/lhh737/KnowledgeBase-RAG-LLM-System.git
cd KnowledgeBase-RAG-LLM-System

pip install -r requirements.txt

2. 配置 API Key

# Linux / macOS
export DASHSCOPE_API_KEY="your-api-key"

# Windows (CMD)
set DASHSCOPE_API_KEY=your-api-key

3. 启动

# 终端 1：知识库上传服务
streamlit run app_upload.py

# 终端 2：RAG 问答服务
streamlit run app_chat.py

浏览器访问 http://localhost:8501

4. 使用流程

1. 打开上传页面 → 上传 .txt 文件 → 文档自动切分写入向量库
2. 打开问答页面 → 输入问题 → 系统先检索知识库，再由模型基于检索内容综合回答

配置说明

核心配置集中在 config_data.py，按需修改：

⚠️ 上传服务与问答服务必须使用相同的向量库目录和 collection_name，否则问答端检索不到数据。

常见问题

扩展方向

• 检索增强 — 引入 Rerank（如 bge-reranker）提升召回质量
• 文件类型 — 通过 LangChain 插件支持 PDF / Markdown / Word
• 存储引擎 — Chroma（轻量）→ FAISS / Milvus（大数据量）

License

MIT © lhh737

致谢

• Streamlit · LangChain · Chroma
• 阿里云百炼 / Qwen