# RAGKnowledgeBase

**Repository Path**: CanFlyhang/RAGKnowledgeBase

## Basic Information

- **Project Name**: RAGKnowledgeBase
- **Description**: 这是一个基于检索增强生成 (RAG, Retrieval-Augmented Generation) 技术构建的 Web 问答系统。它允许知识库所有者上传私有文档，并使访问者能够基于这些文档进行智能问答。
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-15
- **Last Updated**: 2026-03-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 智能知识库问答系统 (RAG-Based QA System)

这是一个基于检索增强生成 (RAG, Retrieval-Augmented Generation) 技术构建的 Web 问答系统。它允许知识库所有者上传私有文档，并使访问者能够基于这些文档进行智能问答。

## 1. 项目可行性分析

该方案在技术上是完全可行的。
- **技术基础**：利用大语言模型 (LLM) 的上下文理解能力，配合向量数据库 (Vector Database) 进行语义检索。
- **核心逻辑**：
  1. **知识导入**：文档 -> 切片 -> 向量化 (Embedding) -> 存储至向量数据库。
  2. **问答流程**：用户提问 -> 提问向量化 -> 检索相似知识切片 -> 组合 Prompt -> LLM 生成回答。
  3. **记录保存**：问答对及引用的知识点实时保存至关系型数据库，用于历史追溯。

## 2. 技术栈推荐

- **前端**：React.js / Next.js + Tailwind CSS (构建现代化 UI)
- **后端**：Python (FastAPI / Flask) 或 Node.js (NestJS)
- **大模型框架**：LangChain 或 LlamaIndex (核心 RAG 编排)
- **向量数据库**：ChromaDB / Pinecone / Milvus (存储向量化知识)
- **关系数据库**：PostgreSQL / MySQL (存储用户信息及对话历史)
- **模型支持**：OpenAI (GPT-4o), Claude, 或本地部署的 DeepSeek / Llama 3

## 3. 系统架构

```mermaid
graph TD
    A[所有者] -->|上传文档| B(后端 API)
    B --> C{切片与向量化}
    C --> D[(向量数据库)]
    
    E[普通用户] -->|发起提问| B
    B --> F{检索相似知识}
    D --> F
    F --> G[组合 Prompt]
    G --> H(大语言模型 LLM)
    H -->|生成回答| B
    B -->|保存对话| I[(关系型数据库)]
    B -->|返回答案| E
```

## 4. 核心功能模块设计

### 4.1 知识管理 (Owner Only)
- **文档上传**：支持 PDF, Markdown, TXT, Word 等格式。
- **自动处理**：后端自动完成文本提取、分段 (Chunking) 和向量化。
- **清空/更新**：所有者可以管理知识库内容，清空后模型回归通用状态。

### 4.2 智能问答 (Public/Private)
- **语义检索**：根据用户问题从向量库中匹配最相关的知识。
- **兜底机制**：若知识库为空或检索不到相关内容，调用 LLM 通用能力回答。
- **引用溯源**：回答中会注明参考了哪些文档片段。

### 4.3 历史记录 (Persistent)
- **对话存储**：保存用户提问、AI 回答、匹配的知识片段及时间戳。
- **反馈系统**：用户可以对回答进行点赞/踩，帮助优化知识库。

## 5. 数据库设计 (简易版)

### `knowledge_meta` (知识元数据)
| 字段 | 类型 | 说明 |
| :--- | :--- | :--- |
| id | UUID | 主键 |
| filename | String | 文件名 |
| status | Enum | 处理状态 (Success/Processing/Failed) |

### `chat_history` (问答记录)
| 字段 | 类型 | 说明 |
| :--- | :--- | :--- |
| id | UUID | 主键 |
| question | Text | 用户问题 |
| answer | Text | AI 回答 |
| context_used | JSON | 使用到的知识切片引用 |
| created_at | Timestamp| 创建时间 |

## 6. 后续开发建议

1. **Prompt 优化**：设计严谨的系统提示词，要求模型“若知识库中没有相关信息，请告知用户”。
2. **流式响应**：使用 Server-Sent Events (SSE) 实现打字机效果，提升用户体验。
3. **多租户支持**：未来可以扩展为支持多个所有者拥有各自独立的知识库。