李管春1. 项目概述与核心价值
这个健康生活助手智能问答系统是我在实际工作中开发的一套实用工具，它能够帮助普通用户获取个性化的健康建议。系统采用了当前最流行的RAG（检索增强生成）技术架构，结合大语言模型的能力，为用户提供准确、可靠的健康生活指导。
核心功能包括：
- 自然语言问答：用户可以用日常语言提问，比如"适合上班族的快手减脂餐"或"换季时如何预防感冒"
- 知识库管理：管理员可以上传各类健康文档，系统会自动解析并建立可检索的知识库
- 对话历史记录：保存用户的咨询记录，方便后续参考
- 数据可视化：展示系统使用情况和知识库内容分布
这个系统的独特之处在于它不依赖现成的API服务，而是通过本地部署的大语言模型和向量数据库，在保证数据隐私的同时，实现了专业级的健康咨询功能。我在开发过程中特别注重系统的实用性和易用性，确保非技术用户也能轻松上手。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 整体架构设计
系统采用前后端分离的B/S架构，这种设计带来了几个显著优势：
- 前后端可以独立开发和部署，提高开发效率
- 前端可以专注于用户体验，后端专注于业务逻辑
- 便于后续扩展和维护
具体技术栈如下：
- 前端：Vue3 + Element Plus
- 后端：Python Flask
- AI核心：LangChain + Ollama + ChromaDB
这种组合既保证了系统的功能性，又控制了资源消耗，使得系统可以在普通服务器上流畅运行。
2.2 核心组件选型考量
在选择技术组件时，我主要考虑了以下几个因素：
LangChain框架：
- 提供了构建AI应用所需的各种工具链
- 简化了与大语言模型交互的复杂度
- 内置了RAG实现的最佳实践
Ollama本地大模型：
- 可以在本地环境运行，保障数据隐私
- 支持多种开源模型，我选择了qwen3:8b这个中英文表现均衡的模型
- 资源消耗相对可控，适合中小型应用
ChromaDB向量数据库：
- 轻量级，易于集成
- 对中小规模知识库性能优异
- 与LangChain有深度集成
提示：在实际部署时，建议根据知识库规模评估ChromaDB的性能表现。对于超过10万条记录的知识库，可能需要考虑更专业的向量数据库方案。