Package:
top.modelx.rag| Author: hua
基于 LangChain v0.3 + FastAPI + Ollama + Vue3 构建的企业级 RAG 知识库系统，支持多格式文档解析、向量检索和流式问答。
| 功能 | 说明 |
|---|---|
| 📄 多格式解析 | PDF / Word / Excel / TXT / 图片（PaddleOCR） |
| 🔍 向量检索 | ChromaDB + Qwen3-Embedding-8B 嵌入 |
| 💬 流式问答 | SSE 流式输出，实时打字效果 |
| 📁 灵活导入 | 支持文件上传 & 本地目录路径扫描 |
| 🗂️ 多知识库 | 独立管理，互不干扰 |
| 🖼️ 图片 OCR | PaddleOCR 中文识别，PDF 图片页自动 OCR |
| 📊 引用溯源 | 每次回答标注文档来源和相似度 |
后端
├── FastAPI 0.115 Web 框架
├── LangChain v0.3 RAG 核心
├── langchain-ollama 本地 LLM 接入
├── langchain-chroma 向量存储封装
├── ChromaDB 持久化向量库
├── Ollama 本地模型运行时
│ ├── qwen2.5:7b 对话模型（可替换）
│ └── qwen3-embedding-8b 嵌入模型
├── PaddleOCR 图片文字识别
├── SQLAlchemy 2.0 ORM
└── MySQL 5.7 业务数据库
前端
├── Vue 3.5 UI 框架
├── Vite 6 构建工具
├── Tailwind CSS 3 样式框架
├── Pinia 状态管理
└── marked Markdown 渲染
---
## 🚀 快速开始
### 1. 前置准备
```bash
# Python 3.10+
python3 --version
# Node.js 18+
node --version
# MySQL 5.7 已启动
mysql -u root -p -e "SELECT VERSION();"
# Ollama 已安装并运行
ollama serve
# 嵌入模型（必须）
ollama pull qwen3-embedding-8b
# 对话模型（按配置选择）
ollama pull qwen2.5:7b
# 或更大模型
# ollama pull qwen2.5:14b编辑 backend/.env：
# 数据库连接（必改）
DATABASE_URL=mysql+pymysql://root:your_password@localhost:3306/rag_db
# Ollama 配置
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_LLM_MODEL=qwen2.5:7b
OLLAMA_EMBEDDING_MODEL=qwen3-embedding-8b
# 文件上传目录
UPLOAD_DIR=./uploads
# RAG 分块参数
CHUNK_SIZE=1000
CHUNK_OVERLAP=200
TOP_K=5cd backend
chmod +x start.sh
./start.sh
# 或手动：
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt
uvicorn main:app --reload --port 8000cd frontend
chmod +x start.sh
./start.sh
# 或手动：
npm install && npm run dev| 地址 | 说明 |
|---|---|
| http://localhost:3000 | 前端界面 |
| http://localhost:8000/docs | API 文档（Swagger） |
| http://localhost:8000/api/system/health | 健康检查 |
1. 新建知识库 → 选择图标、填写名称描述
2. 上传文档 → 支持拖拽上传 / 本地目录导入
3. 等待处理 → 文档自动解析 → 分块 → 向量化（状态实时刷新）
4. 开始对话 → 基于知识库内容问答，自动引用来源
| 格式 | 说明 |
|---|---|
.pdf |
文本直接提取，图片页自动 OCR |
.docx |
段落 + 表格内容提取 |
.doc |
需要 docx2txt（或 LibreOffice） |
.xlsx |
多 Sheet 提取 |
.xls |
使用 xlrd 解析 |
.txt / .md / .csv |
自动编码检测 |
.jpg / .png / ... |
PaddleOCR 文字识别 |
| 参数 | 默认值 | 说明 |
|---|---|---|
CHUNK_SIZE |
1000 | 每块字符数，越小越精准但上下文少 |
CHUNK_OVERLAP |
200 | 块间重叠字符数，保持上下文连贯 |
TOP_K |
5 | 每次检索返回的最相关块数 |
Q: PaddleOCR 安装失败？
# 先安装 paddlepaddle CPU 版
pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install paddleocrQ: Ollama 连接失败？
# 确保 ollama serve 正在运行
curl http://localhost:11434/api/tagsQ: MySQL 连接报错？
# 检查用户权限
mysql -u root -p -e "GRANT ALL ON rag_db.* TO 'root'@'localhost';"Q: 文档一直是"处理中"状态？
- 检查后端日志
logs/app.log - 嵌入模型需要第一次调用时初始化，可能较慢
# 创建知识库
curl -X POST http://localhost:8000/api/kb \
-H "Content-Type: application/json" \
-d '{"name":"技术文档","icon":"⚙️","description":"内部技术规范"}'
# 上传文件
curl -X POST http://localhost:8000/api/doc/upload \
-F "kb_id=1" -F "files=@report.pdf"
# 导入本地目录
curl -X POST http://localhost:8000/api/doc/import-path \
-H "Content-Type: application/json" \
-d '{"kb_id":1,"path":"/data/docs","recursive":true}'
# 问答（非流式）
curl -X POST http://localhost:8000/api/chat/send \
-H "Content-Type: application/json" \
-d '{"kb_id":1,"question":"请介绍一下系统架构"}'MIT License — www.modelx.top © hua