📄 文档智能问答系统

基于 RAG（检索增强生成）技术的文档问答应用，支持上传 PDF / TXT 文件后进行自然语言提问，系统将严格基于文档内容生成回答。

🔗 在线体验：https://huggingface.co/spaces/Hi-Kung/rag-document-qa

---

✨ 功能特性

• 多文件上传：同时上传多个 PDF 或 TXT 文件，自动合并为统一知识库
• 混合检索（Hybrid RAG）：向量语义检索（权重 0.7）+ BM25 关键词检索（权重 0.3），通过加权 RRF 融合，兼顾语义理解与精确词命中
• Reranking 精排：使用 BAAI/bge-reranker-v2-m3 对召回文档二次精排，提升答案相关性
• 多轮对话：保留最近 6 条对话历史，支持上下文追问
• 来源溯源：每条回答附带参考段落及 rerank 得分，结果透明可查
• 可调参数：侧边栏滑块实时调整检索片段数（k = 1~6）

---

🏗️ 技术架构

用户上传文件
    │
    ▼
文件解析（pypdf / 纯文本）
    │
    ▼
文本分块（RecursiveCharacterTextSplitter, chunk=400, overlap=50）
    │
    ▼
向量入库（Chroma 内存模式 + BAAI/bge-m3 Embeddings）
    │
    ▼
用户提问
    ├── 向量检索（top 2k 条）
    └── BM25 检索（top 2k 条）
            │
            ▼
      加权 RRF 融合（取前 k 条）
            │
            ▼
      Reranking（bge-reranker-v2-m3）
            │
            ▼
      LLM 生成回答（DeepSeek-V3）
            │
            ▼
      展示答案 + 参考来源

🖥️ 界面截图

🚀 快速开始

1. 克隆项目

git clone https://github.com/Hi-Kung/rag-document-qa
cd rag-document-qa

2. 安装依赖

pip install streamlit langchain langchain-community langchain-openai \
            langchain-text-splitters chromadb pypdf rank-bm25 requests

3. 配置 API Key

本项目使用 SiliconFlow 提供的模型服务（兼容 OpenAI 接口）。

export SILICONFLOW_API_KEY="your_api_key_here"

或在项目根目录创建 .env 文件：

SILICONFLOW_API_KEY=your_api_key_here

4. 启动应用

streamlit run app.py

浏览器访问 http://localhost:8501 即可使用。

---

📦 依赖说明

依赖	用途
streamlit	Web UI 框架
langchain / langchain-community	RAG 链路、BM25 检索
langchain-openai	调用兼容 OpenAI 接口的模型
chromadb	向量数据库（内存模式）
pypdf	PDF 文本提取
rank-bm25	BM25 关键词检索
requests	调用 SiliconFlow Rerank API

---

🤖 使用的模型

模型	用途	提供方
BAAI/bge-m3	文本向量化（Embedding）	SiliconFlow
BAAI/bge-reranker-v2-m3	文档精排（Rerank）	SiliconFlow
deepseek-ai/DeepSeek-V3	答案生成（LLM）	SiliconFlow

---

💡 使用方式

1. 在左侧侧边栏上传一个或多个 .pdf / .txt 文件
2. 等待系统自动解析并建立知识库（通常 10–30 秒）
3. 在底部输入框输入问题
4. 系统返回答案，点击「📚 参考来源」可查看检索到的原文段落及 rerank 得分

⚠️ 系统将严格基于文档内容回答，若文档中无相关信息会明确告知，不会编造内容。

---

⚙️ 可配置参数

参数	说明	默认值
chunk_size	文本分块大小（字符数）	400
chunk_overlap	分块重叠大小	50
k（侧边栏滑块）	最终返回的检索片段数	3
fetch_k	单路召回数量（= k × 2）	6
向量检索权重	RRF 融合中向量检索的权重	0.7
BM25 检索权重	RRF 融合中关键词检索的权重	0.3

---

📝 注意事项

• 向量库采用内存模式，每次重新上传文件会重建知识库，刷新页面后数据不保留
• 对话历史仅保留最近 6 条参与上下文构建
• 文件解析仅支持 .txt（UTF-8 / GBK）和 .pdf 格式
• 需要有效的 SiliconFlow API Key 才能正常使用

---

📄 License

MIT License