RAGDemo 是一个轻量级的企业级知识库问答系统原型。 它采用前后端分离架构，前端使用 Vue 2 构建现代化 Dashboard 界面，后端使用 FastAPI 结合 LangChain 实现 RAG（检索增强生成）逻辑，支持多知识库管理、多会话记忆以及参数动态调整。
RAGDemo 提供了一套完整的 RAG（检索增强生成）解决方案，旨在以最低的成本实现高质量的私有知识库问答。
- 多库隔离：支持创建多个独立的知识库（如“产品手册”、“技术文档”），数据互不干扰。
- PDF 解析：支持上传 PDF 文档，系统自动使用
LangChain进行文本切片与清洗。 - 本地向量化：集成 BGE-Large (zh) 模型，在本地进行 Embedding 向量化，无需消耗 Token 费用，且保障数据隐私。
- 高性能存储：使用 ChromaDB 存储向量数据，检索速度快，准确率高。
- 多轮对话记忆：系统能够记住当前会话的历史上下文（基于 MySQL 存储），支持追问（如“它有哪些特点？”）。
- 精准检索：基于语义相似度检索最相关的文档片段，大幅减少大模型的幻觉问题。
- 混合模型架构：
- Embedding: 本地 BGE 模型（免费、私有）。
- LLM: 智谱 GLM-4-Flash（高速、低成本）。
- 可视化配置：在聊天窗口右侧实时调整 RAG 参数，无需重启服务。
- Temperature (温度)：控制回答的随机性（0.1 严谨 / 0.8 创意）。
- Top-K (引用数)：控制每次回答参考的文档片段数量（1-10）。
- 知识库热切换：在对话过程中随时切换引用的知识库，灵活应对不同话题。
- 历史记录持久化：所有对话记录均存储于 MySQL，刷新页面不丢失。
- 多会话切换：左侧侧边栏展示历史会话列表，支持新建对话和快速切换旧对话。
在开始部署前，请先了解一下项目的目录结构及其作用，以便于后续维护：
RAGDemo/
├── backend/ # [后端] Python 服务端代码
│ ├── main.py # 程序入口，定义了所有 API 接口 (FastAPI)
│ ├── rag_service.py # RAG 核心业务逻辑 (LangChain, ChromaDB, 模型调用)
│ ├── db.py # 数据库层，处理 MySQL 连接与 CRUD 操作
│ ├── schemas.py # 数据校验模型 (Pydantic)，定义前后端交互的数据格式
│ ├── requirements.txt # 后端依赖包列表
│ └── chroma_db/ # (自动生成) 向量数据库的本地存储文件夹
│
├── frontend/ # [前端] Vue 2 客户端代码
│ ├── src/
│ │ ├── utils/
│ │ │ └── request.js # Axios 封装，修改后端 IP 地址在这里配置
│ │ ├── router/
│ │ │ └── index.js # 路由配置 (定义页面跳转规则)
│ │ ├── views/ # 页面组件文件夹
│ │ │ ├── Home.vue # 首页 Dashboard
│ │ │ ├── Chat.vue # 聊天窗口 (包含左侧列表、中间对话、右侧参数)
│ │ │ ├── KBList.vue # 知识库列表管理页
│ │ │ └── KBDetail.vue # 知识库详情页 (文件上传与列表)
│ │ ├── App.vue # 根组件 (处理全局布局)
│ │ └── main.js # 前端入口文件
│ └── package.json # 前端依赖配置
│
└── README.md # 项目说明文档
确保您的服务器或本地电脑已安装以下基础环境：
- Python: 3.10 或 3.12 (推荐使用 Conda 管理环境)
- Node.js: v14 或 v16 (用于 Vue 前端编译)
- MySQL: 5.7 或 8.0 (用于存储结构化数据)
推荐使用 Conda 创建独立环境，避免依赖冲突。
# 创建名为 rag 的环境
conda create -n rag python=3.12
# 激活环境
conda activate rag进入 backend 目录，安装 Python 依赖包。
cd backend
pip install -r requirements.txt请登录您的 MySQL 数据库，创建一个新的数据库（例如 rag），然后执行以下 SQL 语句以创建必要的表结构。
-- 1. 创建数据库
CREATE DATABASE rag CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
USE rag;
-- 2. 创建知识库表
CREATE TABLE knowledge_bases (
id INT AUTO_INCREMENT PRIMARY KEY,
name VARCHAR(100) NOT NULL,
description TEXT,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
-- 3. 创建文件记录表
CREATE TABLE documents (
id INT AUTO_INCREMENT PRIMARY KEY,
filename VARCHAR(255) NOT NULL,
kb_id INT NOT NULL,
status VARCHAR(50) DEFAULT 'success',
upload_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
FOREIGN KEY (kb_id) REFERENCES knowledge_bases(id)
);
-- 4. 创建会话表 (Session - 用于左侧历史记录)
CREATE TABLE chat_sessions (
id VARCHAR(36) PRIMARY KEY,
title VARCHAR(255) NOT NULL,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);
-- 5. 创建聊天记录表 (History - 包含参数快照)
CREATE TABLE chat_history (
id INT AUTO_INCREMENT PRIMARY KEY,
session_id VARCHAR(36),
role VARCHAR(20) NOT NULL, -- 'user' or 'assistant'
content TEXT,
kb_id INT,
temperature FLOAT,
top_k INT,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
FOREIGN KEY (session_id) REFERENCES chat_sessions(id),
FOREIGN KEY (kb_id) REFERENCES knowledge_bases(id)
);
-- 6. 初始化默认知识库
INSERT INTO knowledge_bases (name, description) VALUES ('默认知识库', '系统初始化默认库');在运行前，必须修改以下配置文件中的参数为您的真实信息。
找到 MYSQL_URL 变量，修改为您的 MySQL 用户名、密码和 IP。
# 格式: mysql+mysqlconnector://用户名:密码@IP地址:端口/数据库名
MYSQL_URL = "mysql+mysqlconnector://root:您的密码@localhost:3306/rag"找到 ZHIPU_API_KEY 变量，填入您的智谱 AI API Key（用于 LLM 对话）。
ZHIPU_API_KEY = "您的_ZHIPU_API_KEY"注意：Embedding 模型已配置为本地模型 (BGE-Large)，不需要修改 Key，但第一次运行时会自动下载模型 (约 1.2GB)，请保持网络通畅。
如果您需要局域网访问，请将 IP 修改为您的本机局域网 IP (如 192.168.x.x)。
// src/utils/request.js
// const BASE_URL = 'http://localhost:8000'; // 仅本机访问
const BASE_URL = 'http://192.168.1.5:8000'; // 如需局域网访问，改为本机真实 IP# 在 backend 目录下
uvicorn main:app --reload --host 0.0.0.0 --port 8000进入 frontend 目录，安装 Node.js 依赖并启动。
cd frontend
# 安装依赖
npm install
# 启动开发服务器
npm run serve成功后，浏览器访问控制台显示的地址 (通常是 http://localhost:8080) 即可看到界面。
- 报错
ModuleNotFoundError: 请检查是否在终端中激活了 conda 环境 (conda activate rag)。 - 报错
Access denied for user: 请检查backend/db.py中的 MySQL 密码是否正确，以及用户是否有权限。 - 一直显示“正在加载本地模型”: 第一次运行后端时需要从 HuggingFace 下载 BGE 模型，请耐心等待下载完成。
- 前端报错
Network Error: 请检查request.js中的 IP 是否正确，以及后端是否已启动。