LangChain - RAG

实战项目：服装商品智能客服（RAG 与智能体开发）

项目简介

项目领域：AI 大模型应用
核心方向：RAG（检索、增强和生成）与智能体开发

RAG 回顾

RAG（检索、增强和生成）核心分为两条处理线，聚焦提升模型回答的准确性与时效性：

1. 离线处理

持续向私有知识库（向量存储）添加知识文档，包含：
- 超出现有模型训练时间的 “未来知识文档”
- 各类私有领域知识文档
核心价值：为模型提供精准参考资料，有效规避 “模型幻觉”（一本正经的胡说八道）问题

2. 在线处理

用户提问后，系统先基于私有知识库检索相关参考资料
同步组装新提示词，提交大模型生成最终答案

项目需求和核心思路

核心目标

以 “某东商品衣服” 为实例，基于衣服核心属性（尺码、颜色、洗涤养护等）构建本地知识库
支持用户自由更新本地知识，所有问题答案均严格基于本地知识库生成
实现服装商品智能客服功能，精准解答用户尺码推荐、颜色选择、洗涤养护等相关咨询

处理流程

（一）离线流程

本地知识文件准备（如尺码推荐.txt、洗涤养护.txt、颜色选择.txt）
文件加载和读取
文本切分处理（适配向量存储需求）
切分后文本存入向量数据库（Chroma）

（二）在线流程

用户 Query（提问）接收
Query 向量化转换
向量匹配（基于向量数据库检索相关知识）
Prompt 工程（结合检索结果构建优化提示词）
提交 LLM（大语言模型）生成答案并反馈给用户

项目核心文件说明

文件名称	功能描述
app_file_upload.py	知识库更新主程序（基于 Streamlit 开发），支持文件上传更新
app_qa.py	项目主程序（基于 Streamlit 开发），启动对话 WEB 页面
config_data.py	项目全局配置文件
file_history_store.py	长期会话记忆存储服务
knowledge_base.py	知识库更新核心服务，含文件处理、向量存储交互等
rag.py	RAG 核心服务，整合检索、Prompt 构建、LLM 调用逻辑
vector_stores.py	向量存储服务，负责与 Chroma 向量库交互
辅助资源	chat history（会话历史存储）、chroma_db（向量数据库目录）、data（知识文件存储目录）、md5.text（MD5 校验文件）

关键技术实现

核心函数 / 类

check_md5()：文件 MD5 校验函数，确保文件完整性
save_md5()：MD5 值存储函数，记录已上传文件标识
get_string_md5(str)：字符串 MD5 值计算函数
st.file_uploader()：Streamlit 框架文件上传组件，支持用户上传知识文件
upload_by_str(self, data, filename)：KnowledgeBaseService 类方法，支持字符串形式数据上传知识库
Class KnowledgeBaseService：知识库服务核心类，包含 Chroma 向量库实例（self.chroma）、文本切分器（self.spliter）等关键属性
st.session_state：Streamlit 会话状态存储对象，维护会话上下文
uploader_file.get_value()：获取上传文件的原始数据

技术框架

WEB 开发框架：Streamlit（快速构建交互式 WEB 应用）
向量数据库：Chroma（轻量级向量存储，适配项目需求）
核心技术：RAG 检索增强生成、文本向量化、Prompt 工程、LLM 调用

项目资源清单

知识文件

尺码推荐.txt：服装尺码匹配规则、体重身高对应标准等
洗涤养护.txt：不同面料服装洗涤方式、养护注意事项等
颜色选择.txt：颜色搭配建议、场景适配推荐等

程序文件

核心程序：app_file_upload.py、app_qa.py、config_data.py、file_history_store.py、knowledge_base.py、rag.py、vector_stores.py
数据存储：chat history（会话历史）、chroma_db（向量数据库）、md5.text（MD5 校验记录）

运行过程

streamlit run app_file_uploader.py

正常上传文件

文件重复上传

智能客服

streamlit run app_qa.py