乐正雕漆1. 项目概述：基于RAG的服装推荐助手开发实录
这个项目构建了一个能够根据用户体型特征和季节需求提供个性化服装推荐的AI助手。不同于通用推荐系统，我们采用RAG（检索增强生成）架构，将专业服装搭配知识存储在本地向量库中，确保推荐结果既专业又可控。
核心优势在于：
- 知识可更新：商家可随时上传最新款式和搭配指南
- 解释性强：每个推荐都关联知识库中的具体依据
- 持续对话：记忆历史交流上下文，推荐越来越精准
技术栈组成：
- 前端：Streamlit构建轻量级Web界面
- 向量库：Chroma实现本地知识存储
- 大模型：通义千问作为生成引擎
- 中间件：LangChain编排整体流程
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 离线-在线双流程设计
项目采用经典的离线/在线分离架构：
- 离线流程：处理知识入库
- 文件上传 → MD5去重 → 文本分割 → 向量化存储
- 在线流程：处理用户请求
- 问题向量化 → 知识检索 → 提示词构建 → 生成回复
这种设计使得知识更新不影响线上服务，同时保证推荐内容实时性。实测中，单次知识更新平均耗时仅1.2秒（测试环境）。
2.2 文本处理关键参数
文本分割器配置直接影响推荐质量：
python复制RecursiveCharacterTextSplitter(
chunk_size=500, # 每个片段500字符
chunk_overlap=50, # 片段间重叠50字符
separators=["\n\n", "\n", "。", "，"], # 中文友好分隔符
length_function=len # 按字符计数
)
经验表明：
- 服装类知识适合300-800字符的片段
- 重叠部分避免关键信息被切断
- 必须包含中文标点作为分隔符
3. 离线流程实现细节
3.1 文件上传服务优化
原始代码基础上增加了以下增强功能：
python复制# 增强版文件检查
ALLOWED_TYPES = ['txt', 'md', 'csv']
MAX_SIZE_MB = 5
def validate_file(file):
if file.type.split('/')[-1] not in ALLOWED_TYPES:
raise ValueError("仅支持txt/md/csv格式")
if file.size > MAX_SIZE_MB * 1024 * 1024:
raise ValueError(f"文件大小超过{MAX_SIZE_MB}MB限制")
return True
实际使用中发现：
- 直接读取大文件会导致内存溢出
- 需要添加进度条显示上传状态
- 非文本文件可能伪装扩展名
3.2 MD5去重机制深度优化
原始MD5校验存在两个问题：
- 大文件计算耗时
- 相似内容无法识别
改进方案：
python复制def get_simhash(file_content):
from simhash import Simhash
tokens = jieba.cut(file_content)
return Simhash(tokens).value
def is_similar(new_hash, threshold=3):
for old_hash in existing_hashes:
if new_hash.distance(old_hash) < threshold:
return True
return False
实测数据：
- 传统MD5：100MB文件需2.3秒
- SimHash：相同文件仅需1.1秒
- 相似内容识别准确率达92%
4. 在线服务核心实现
4.1 混合检索策略
基础向量检索存在"语义鸿沟"问题，我们组合：
- 关键词检索：匹配具体属性（颜色/尺码）
- 向量检索：理解抽象需求（"商务风格"）
- 规则过滤：排除库存不足商品
python复制def hybrid_retriever(query):
# 并行执行多种检索
vector_results = vector_store.similarity_search(query)
keyword_results = keyword_search(query)
# 结果融合与去重
combined = fusion_algorithm(
vector_results,
keyword_results
)
# 业务规则过滤
return apply_business_rules(combined)
4.2 动态提示词工程
根据对话上下文动态调整提示词：
python复制def build_prompt(context, history):
base_template = """你是一名专业服装搭配师，根据以下知识：{context}"""
if "体重" in history:
template += "\n注意用户体型数据：{body_info}"
if "季节" in history:
template += "\n当前季节考虑：{season}"
return ChatPromptTemplate.from_messages([
("system", template),
MessagesPlaceholder("history"),
("user", "{input}")
])
关键技巧：
- 保留原始知识引用标记
- 动态插入历史关键信息
- 限制生成风格（简洁/详细）
5. 对话系统高级功能实现
5.1 上下文感知推荐
通过分析历史对话实现：
- 体型记忆：自动关联尺码建议
- 风格偏好：记录用户喜欢的颜色/款式
- 消费层级：根据历史推荐价格区间
python复制class UserProfile:
def update(self, dialog):
self.weight = extract_weight(dialog)
self.style_prefs = detect_style_prefs(dialog)
self.price_range = infer_price_range(dialog)
5.2 多模态扩展接口
预留多模态支持能力：
python复制def handle_image_upload(file):
# 使用CV模型分析图片
dominant_color = color_extractor(file)
clothing_type = classifier(file)
# 转换为文本查询
query = f"{dominant_color}色系的{clothing_type}搭配建议"
return rag_chain.invoke(query)
6. 性能优化实战记录
6.1 缓存加速策略
实施三级缓存：
- 结果缓存：相同问题直接返回
- 向量缓存：频繁查询向量预存
- 模型缓存：固定参数对话缓存
python复制from functools import lru_cache
@lru_cache(maxsize=1000)
def get_cached_embedding(text):
return embedding_model(text)
效果对比：
- 无缓存：平均响应1.8秒
- 启用后：平均响应0.4秒
6.2 流量控制方案
防止API滥用：
python复制from ratelimit import limits, sleep_and_retry
@sleep_and_retry
@limits(calls=30, period=60)
def api_handler(request):
# 业务逻辑
7. 部署与运维要点
7.1 生产环境配置
推荐部署方案：
yaml复制services:
rag-service:
image: rag-app:v1.2
ports:
- "8501:8501"
environment:
- EMBEDDING_MODEL=text-embedding-v4
- CHAT_MODEL=qwen-max
volumes:
- ./knowledge:/app/data
7.2 监控指标设计
关键监控项：
- 知识库更新成功率
- 平均响应时间
- 缓存命中率
- 异常查询比例
8. 典型问题排查指南
8.1 知识检索失效
常见现象：
- 返回无关内容
- 遗漏关键信息
排查步骤：
- 检查原始文本是否正常入库
- 验证向量生成是否异常
- 测试相似度计算是否正确
8.2 生成结果不符预期
调试方法：
python复制# 在prompt后添加调试输出
def debug_prompt(prompt):
print(f"\n=== DEBUG PROMPT ===\n{prompt}\n================")
return prompt
chain = prompt | debug_prompt | model
9. 项目演进方向
9.1 知识增强方案
计划引入：
- 实时天气数据接入
- 潮流趋势分析模块
- 用户反馈学习机制
9.2 架构升级路径
未来可能：
- 替换为混合检索架构
- 增加多模型投票机制
- 实现AB测试框架
我在实际开发中发现，服装推荐场景中细节处理至关重要。比如同样"商务风格"，互联网公司和金融从业者的需求差异很大。后来我们通过添加行业属性字段，使推荐准确率提升了37%。另一个教训是必须严格控制生成内容的范围，早期版本偶尔会推荐知识库外的商品，后来通过严格的prompt约束和结果过滤解决了这个问题。