企业级RAG系统

这是一个基于检索增强生成(Retrieval Augmented Generation, RAG)技术的企业级知识库问答系统。

本项目旨在构建一个企业级的RAG系统，能够从企业内部文档、知识库中检索相关信息，并结合大语言模型生成准确、相关的回答，帮助企业员工快速获取所需信息。

系统采用前后端分离架构：

• 前端：基于React的Web应用
• 后端：Python FastAPI服务
• 向量数据库：存储文档的向量表示
• 文档处理：文档解析、分块和向量化
• LLM集成：与大语言模型的集成接口

1. 文档管理：上传、更新和删除企业文档
2. 文档处理：自动解析不同格式的文档，进行分块和向量化
3. 智能检索：基于语义相似度的文档检索
4. 问答生成：结合检索结果和大语言模型生成回答
5. 用户管理：用户权限和访问控制
6. 使用分析：系统使用情况统计和分析

• 前端：React, TypeScript, Ant Design
• 后端：Python, FastAPI
• 向量数据库：Milvus/Pinecone/Weaviate
• 嵌入模型：各种开源或商业嵌入模型
• LLM：支持多种大语言模型接口

wxrag/
├── frontend/            # 前端React应用
├── backend/             # 后端FastAPI服务
│   ├── api/             # API路由
│   ├── core/            # 核心业务逻辑
│   ├── models/          # 数据模型
│   ├── services/        # 服务层
│   └── utils/           # 工具函数
│   └── document_processor/  # 文档处理模块
├── scripts/             # 部署和维护脚本
├── docops/              # 文本分割子任务
├── docs/                # 项目文档
└── tests/               # 测试代码

使用FASTAPI实现的open-ai接口

使用LangChain实现的文档处理

这个实现完成了 RAG 服务的核心功能：

1. _retrieve_documents : 从向量数据库中检索相关文档
2. _build_context : 将检索到的文档构建成上下文
3. _generate_answer : 使用 LLM 基于上下文生成回答
4. _build_references : 构建引用信息，用于前端展示
5. index_document : 将文档索引到向量存储中 这个服务可以与文档处理服务配合使用，实现完整的 RAG 流程：文档处理 → 文档索引 → 查询检索 → 回答生成。