1. RAG技术背景与项目定位
检索增强生成(Retrieval-Augmented Generation)技术正在重塑知识密集型应用的开发范式。这个基于FastAPI、LangChain与Chroma的实战项目,完整实现了从文档上传到智能问答的闭环流程。不同于简单的Demo演示,本项目特别设计了双模式服务架构——既提供开箱即用的Streamlit交互界面,又通过FastAPI暴露标准化接口,满足不同场景的集成需求。
在电商客服、企业内部知识库等场景中,传统方案面临三个典型痛点:
- 专业知识更新滞后于业务变化
- 模型幻觉导致回答偏离实际业务规则
- 多轮对话中上下文记忆薄弱
这个项目通过以下设计解决这些问题:
- 动态知识库支持TXT/PDF/Word/Excel等多格式文档实时更新
- 检索结果作为生成约束条件,有效抑制模型幻觉
- 基于文件系统的对话历史持久化机制
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. 核心架构设计解析
2.1 系统分层模型
项目采用五层架构设计,各层职责明确:
| 层级 | 组件 | 核心功能 |
|---|---|---|
| 用户层 | Streamlit/FastAPI | 提供Web界面和API端点 |
| 应用层 | RAGService | 协调问答流程 |
| 编排层 | LangChain | 实现检索、提示工程、历史管理 |
| 知识库层 | Chroma | 向量存储与相似度检索 |
| 存储层 | 本地文件系统 | 持久化向量数据和对话历史 |
2.2 关键数据流
-
文档处理流水线:
- 文件上传 → 格式解析 → 文本切片 → 向量化 → 存入Chroma
- 切片策略采用1000字符块大小,100字符重叠,避免语义断裂
-
问答处理流水线:
- 用户提问 → 向量检索 → 提示构造 → 模型生成 → 流式输出
- 检索环节默认返回相似度最高的2个文档片段
3. 知识库构建实战
3.1 文档处理服务实现
vector_stores.py中的VectorStoreService类封装了核心处理逻辑:
python复制class VectorStoreService:
def __init_
