fix(boundary): 修复多库边界问题、版本管理及删除清理
多库检索与存储修复: - RRF 融合去重改用 (collection, chunk_id) 复合键，修复同名文件结果被吞 - DocStore 存储路径加 collection 前缀，修复跨库同名切片数据覆盖 - search_multiple 去重改用复合键 - chunk_id 解析改用 rsplit 兼容下划线文件名 上传与版本管理修复: - 同名文件上传改为覆盖模式，自动清理旧切片 - 修复首次上传不创建版本记录 - 修复覆盖上传版本号回退到 v1 - sync ADDED 分支改用动态版本号生成 - _generate_version_id 改为基于全部版本递增 - 废止/恢复操作同步 SQLite 版本记录 - mark_document_as_superseded 改为仅更新 SQLite 删除清理修复: - 删除文档时同步清理 SQLite 版本记录和变更日志 - 删除向量库时同步清理该库所有版本记录 - cleanup 改为清理 SQLite 记录而非 ChromaDB 测试: - test_version_management.py: 27 条版本管理单元测试 - test_edge_cases.py: 28 条边界用例测试 - test_upload_dedup.py: 5 条上传去重测试 - e2e_risk_test.py: 27 条端到端风险测试 文档: - 新增风险边界问题修复注意事项.md（面向后端的对接文档） - 新增向量库边界风险分析.md - 更新多篇现有文档
This commit is contained in:
lacerate551
609
docs/RAG数据流程.md
Normal file
609
docs/RAG数据流程.md
Normal file
@@ -0,0 +1,609 @@
|
||||
# RAG 数据流程
|
||||
|
||||
> 本文档基于 v7.0.0 架构，详细梳理 RAG 系统从用户查询到回答生成的完整数据流。
|
||||
> 涵盖意图分析、混合检索、云端重排序、MMR 去重、上下文构建、LLM 生成和引用溯源等核心环节。
|
||||
|
||||
---
|
||||
|
||||
## 一、概述
|
||||
|
||||
### 1.1 检索管线总览
|
||||
|
||||
```
|
||||
用户查询
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 1. 意图分析 (intent_analyzer) │
|
||||
│ 问题改写 · 指代消解 · 是否需要检索 · 重复提问检测 │
|
||||
│ 模型：qwen-turbo │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 2. 混合检索 (engine.search_knowledge) │
|
||||
│ ┌──────────────┐ ┌──────────────┐ │
|
||||
│ │ 向量检索 │ │ BM25 检索 │ │
|
||||
│ │ (ChromaDB) │ │ (关键词匹配) │ │
|
||||
│ └──────┬───────┘ └──────┬───────┘ │
|
||||
│ └────────┬──────────┘ │
|
||||
│ ▼ │
|
||||
│ RRF 融合 (Reciprocal Rank Fusion) │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 3. 云端 Rerank (DashScope API) │
|
||||
│ 模型：qwen3-rerank │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 4. MMR 去重 (文本 Jaccard 模式) │
|
||||
│ MMR_USE_EMBEDDING=false │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 5. 上下文扩展 + 图片选择 │
|
||||
│ 上下文增强 · 图文关联补充 · 懒加载 VLM 描述 │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 6. LLM 生成 (AgenticRAG 引擎) │
|
||||
│ 模型：qwen3.6-flash（主 LLM）/ qwen-vl-plus（VLM） │
|
||||
│ 流式输出 · 引用标注 │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────────────────────────────────────────┐
|
||||
│ 7. 返回结果 │
|
||||
│ { answer, sources, images } │
|
||||
└─────────────────────────────────────────────────────────────────────────┘
|
||||
```
|
||||
|
||||
### 1.2 模型配置一览
|
||||
|
||||
| 用途 | 模型 | 说明 |
|
||||
|------|------|------|
|
||||
| 主 LLM | qwen3.6-flash | 回答生成、上下文理解 |
|
||||
| 意图分析 | qwen-turbo | 轻量快速，用于问题改写与意图判断 |
|
||||
| VLM | qwen-vl-plus | 图片理解与描述生成 |
|
||||
| 云端重排序 | qwen3-rerank | DashScope API 调用，替代本地 BGE-reranker |
|
||||
|
||||
### 1.3 v7.0.0 架构变更要点
|
||||
|
||||
- **Reranker**：从本地 BGE-reranker 切换为云端 DashScope API（qwen3-rerank）
|
||||
- **MMR 去重**：使用文本相似度模式（`MMR_USE_EMBEDDING=false`），基于 Jaccard 系数
|
||||
- **Agentic 引擎**：拆分为多个子模块（agentic_search / agentic_answer / agentic_citation 等）
|
||||
- **Graph RAG**：模块已清空，不再使用
|
||||
|
||||
---
|
||||
|
||||
## 二、请求入口
|
||||
|
||||
### 2.1 API 路由
|
||||
|
||||
**入口文件**：`api/chat_routes.py`
|
||||
|
||||
用户通过 API 发送查询请求，由 `generate()` 函数统一调度：
|
||||
|
||||
```
|
||||
POST /rag 或 POST /chat
|
||||
Body: { "query": "用户问题", "kb_name": "知识库名称" }
|
||||
```
|
||||
|
||||
`generate()` 的职责：
|
||||
|
||||
1. 调用意图分析模块，获取改写后的查询与检索决策
|
||||
2. 若需要检索，调用混合检索管线
|
||||
3. 执行图片选择与上下文构建
|
||||
4. 调用 LLM 生成回答（流式输出）
|
||||
5. 组装最终响应（回答 + 引用来源 + 图片）
|
||||
|
||||
### 2.2 请求数据结构
|
||||
|
||||
```python
|
||||
# 请求
|
||||
{
|
||||
"query": "蓄水以来逐年发电量",
|
||||
"kb_name": "public_kb",
|
||||
"history": [...] # 可选：对话历史
|
||||
}
|
||||
|
||||
# 响应
|
||||
{
|
||||
"type": "finish",
|
||||
"answer": "完整回答文本",
|
||||
"sources": [...], # 引用来源列表
|
||||
"images": [...] # 精选图片列表
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 三、意图分析
|
||||
|
||||
**入口文件**：`core/intent_analyzer.py`
|
||||
**使用模型**：qwen-turbo（轻量快速）
|
||||
|
||||
### 3.1 核心功能
|
||||
|
||||
意图分析器在检索前对用户查询进行预处理，输出结构化决策：
|
||||
|
||||
```python
|
||||
@dataclass
|
||||
class IntentAnalysis:
|
||||
rewritten_query: str # 改写后的查询（指代消解、省略补全）
|
||||
use_context: bool # 是否使用历史上下文
|
||||
need_retrieval: bool # 是否需要检索知识库
|
||||
```
|
||||
|
||||
### 3.2 处理逻辑
|
||||
|
||||
| 功能 | 说明 |
|
||||
|------|------|
|
||||
| 问题改写 | 指代消解（"它" → 具体实体）、省略补全（补全缺失主语） |
|
||||
| 上下文判断 | 根据对话历史决定是否需要前文信息 |
|
||||
| 检索决策 | 判断是否需要查询知识库（闲聊类问题可跳过） |
|
||||
| 重复提问检测 | 用户重复提问相同问题时，强制设置 `need_retrieval=true` |
|
||||
|
||||
### 3.3 重复提问规则
|
||||
|
||||
当用户重复提问相同或相似问题时，意图分析器必须设置 `need_retrieval = true`。原因：用户可能对之前的回答不满意，或之前的回答包含错误信息，需要重新检索以获取更准确的结果。
|
||||
|
||||
---
|
||||
|
||||
## 四、检索阶段
|
||||
|
||||
**入口文件**：`core/engine.py`
|
||||
**核心函数**：`search_knowledge()`
|
||||
|
||||
### 4.1 查询缓存检查
|
||||
|
||||
检索前先检查缓存，命中则直接返回历史结果，避免重复计算：
|
||||
|
||||
```python
|
||||
cached = cache.get_query_result(query, kb_name)
|
||||
if cached:
|
||||
return cached
|
||||
```
|
||||
|
||||
### 4.2 向量检索
|
||||
|
||||
使用 embedding 模型将查询编码为向量，在 ChromaDB 中执行 ANN 检索：
|
||||
|
||||
```python
|
||||
query_vector = embedding_model.encode(query)
|
||||
text_results = collection.query(
|
||||
query_embeddings=[query_vector],
|
||||
n_results=100 # recall_k，召回候选数量
|
||||
)
|
||||
```
|
||||
|
||||
**图片独立召回**：同时对图片切片进行独立检索，保证图片有足够的召回机会：
|
||||
|
||||
```python
|
||||
image_results = collection.query(
|
||||
query_embeddings=[query_vector],
|
||||
where={'chunk_type': {'$in': ['image', 'chart', 'table']}},
|
||||
n_results=5
|
||||
)
|
||||
```
|
||||
|
||||
### 4.3 BM25 关键词检索
|
||||
|
||||
基于 BM25 算法执行关键词匹配检索，弥补向量检索在精确匹配上的不足：
|
||||
|
||||
```python
|
||||
bm25_results = bm25_index.search(query, top_k=100)
|
||||
```
|
||||
|
||||
### 4.4 RRF 融合
|
||||
|
||||
使用 Reciprocal Rank Fusion 算法将向量检索和 BM25 检索的结果进行融合排序：
|
||||
|
||||
```python
|
||||
fused_results = reciprocal_rank_fusion(
|
||||
[text_results, image_results, bm25_results],
|
||||
weights=[VECTOR_WEIGHT, IMAGE_WEIGHT, BM25_WEIGHT]
|
||||
)
|
||||
```
|
||||
|
||||
**融合参数**：
|
||||
|
||||
| 参数 | 默认值 | 说明 |
|
||||
|------|--------|------|
|
||||
| `recall_k` | 100 | 各通道召回候选数量 |
|
||||
| `VECTOR_WEIGHT` | 0.6 | 向量检索权重 |
|
||||
| `BM25_WEIGHT` | 0.4 | BM25 检索权重 |
|
||||
|
||||
---
|
||||
|
||||
## 五、重排序
|
||||
|
||||
### 5.1 云端 Rerank
|
||||
|
||||
**v7.0.0 变更**：从本地 BGE-reranker 切换为云端 DashScope API。
|
||||
|
||||
**调用模型**：qwen3-rerank
|
||||
|
||||
RRF 融合后的候选结果通过云端 Reranker 进行精排，基于查询与文档的语义相关性重新打分排序：
|
||||
|
||||
```python
|
||||
reranked = rerank_results(
|
||||
query,
|
||||
fused_results,
|
||||
model="qwen3-rerank", # DashScope API
|
||||
top_k=15
|
||||
)
|
||||
```
|
||||
|
||||
### 5.2 与旧版的区别
|
||||
|
||||
| 对比项 | 旧版（本地 BGE-reranker） | v7.0.0（云端 qwen3-rerank） |
|
||||
|--------|--------------------------|---------------------------|
|
||||
| 部署方式 | 本地模型加载 | DashScope API 远程调用 |
|
||||
| 资源占用 | 需要 GPU 显存 | 无本地资源消耗 |
|
||||
| 模型能力 | BGE-reranker（较小） | qwen3-rerank（更强） |
|
||||
| 延迟 | 低（本地推理） | 中等（网络往返） |
|
||||
|
||||
---
|
||||
|
||||
## 六、MMR 去重
|
||||
|
||||
### 6.1 配置
|
||||
|
||||
v7.0.0 采用文本相似度模式进行 MMR（Maximal Marginal Relevance）去重：
|
||||
|
||||
```
|
||||
MMR_USE_EMBEDDING = false
|
||||
```
|
||||
|
||||
### 6.2 工作原理
|
||||
|
||||
使用文本 Jaccard 相似度（而非 embedding 向量余弦相似度）来衡量候选文档之间的重复程度：
|
||||
|
||||
```python
|
||||
def _apply_mmr(query, candidates, top_k=30, lambda_param=0.7):
|
||||
"""
|
||||
MMR 去重：在相关性和多样性之间取得平衡
|
||||
|
||||
lambda_param=0.7: 70% 权重给相关性，30% 权重给多样性
|
||||
相似度度量：文本 Jaccard 系数（基于词集合交集/并集）
|
||||
"""
|
||||
selected = []
|
||||
for candidate in candidates:
|
||||
if not selected:
|
||||
selected.append(candidate)
|
||||
continue
|
||||
|
||||
# Jaccard 相似度（文本模式）
|
||||
max_sim = max(
|
||||
jaccard_similarity(candidate.tokens, s.tokens)
|
||||
for s in selected
|
||||
)
|
||||
|
||||
mmr_score = lambda_param * relevance - (1 - lambda_param) * max_sim
|
||||
if mmr_score > threshold:
|
||||
selected.append(candidate)
|
||||
|
||||
return selected[:top_k]
|
||||
```
|
||||
|
||||
### 6.3 选择文本模式的原因
|
||||
|
||||
- **速度更快**：无需计算 embedding 向量之间的余弦相似度
|
||||
- **效果直观**：Jaccard 系数直接反映文本内容的重叠程度
|
||||
- **避免向量偏差**：embedding 模型可能对格式化内容（如图片描述）产生不准确的相似度
|
||||
|
||||
---
|
||||
|
||||
## 七、上下文构建
|
||||
|
||||
### 7.1 检索结果处理
|
||||
|
||||
**入口文件**：`api/chat_routes.py`
|
||||
|
||||
将检索结果转换为 LLM 可用的上下文列表：
|
||||
|
||||
```python
|
||||
contexts = []
|
||||
for result in search_results:
|
||||
meta = result['metadata']
|
||||
if meta['chunk_type'] in ('image', 'chart'):
|
||||
# 图片切片：使用完整描述（而非轻量描述）
|
||||
doc = meta.get('full_description', result['document'])
|
||||
else:
|
||||
doc = result['document']
|
||||
contexts.append({'doc': doc, 'meta': meta})
|
||||
```
|
||||
|
||||
### 7.2 懒加载增强
|
||||
|
||||
对没有 VLM 描述的图片切片，按需调用 VLM 生成更精准的语义描述：
|
||||
|
||||
```python
|
||||
enhance_retrieved_chunks(contexts, query, kb_name)
|
||||
# 对缺少 VLM 描述的图片 → 调用 qwen-vl-plus 生成描述
|
||||
```
|
||||
|
||||
### 7.3 图片选择
|
||||
|
||||
**核心函数**：`select_images()`
|
||||
|
||||
从检索结果中筛选与查询最相关的图片：
|
||||
|
||||
**步骤一：意图检测**
|
||||
|
||||
| 查询类型 | 参数调整 |
|
||||
|----------|----------|
|
||||
| 精确图号查询（"图2.3"） | `MAX_IMAGES=2, MIN_SCORE=5.0` |
|
||||
| 弱图片意图（"发电量图"） | `MAX_IMAGES=1` |
|
||||
| 普通查询 | `MAX_IMAGES=2` |
|
||||
|
||||
**步骤二：提取图表引用**
|
||||
|
||||
从 top 5 文本块中提取 "见图2.3"、"如表2.2" 等引用，建立图号与来源文件的映射：
|
||||
|
||||
```python
|
||||
referenced_figures = {'2.3': {'source_file': 'xxx.pdf'}, ...}
|
||||
```
|
||||
|
||||
**步骤三：图片相关性打分**
|
||||
|
||||
`score_image_relevance()` 打分规则：
|
||||
|
||||
| 匹配项 | 加分 |
|
||||
|--------|------|
|
||||
| 图号精确匹配（查询中有"图2.3"） | +10 分 |
|
||||
| 表号精确匹配 | +10 分 |
|
||||
| 关键词匹配（"发电量"等） | +2 分/个 |
|
||||
| 字符重叠 | +0.2 分/字符 |
|
||||
| 章节匹配 | +1.5 分 |
|
||||
| 图片类型（chart > image） | +2 / +1 分 |
|
||||
| 向量相似度 | +2 分（最高） |
|
||||
| 引用匹配（需章节相关） | +8 分 |
|
||||
|
||||
**步骤四：图文关联补充**
|
||||
|
||||
遍历 top 5 文本块中引用的图表编号，查找对应的图片切片并补充到结果中。
|
||||
|
||||
**步骤五：返回 top N 图片**
|
||||
|
||||
```python
|
||||
scored_images.sort(key=lambda x: x['score'], reverse=True)
|
||||
return scored_images[:MAX_IMAGES]
|
||||
```
|
||||
|
||||
### 7.4 构建 LLM Prompt
|
||||
|
||||
```python
|
||||
# 文本上下文
|
||||
context_text = "\n\n".join([ctx['doc'] for ctx in contexts[:5]])
|
||||
|
||||
# 图片信息
|
||||
if selected_images:
|
||||
image_info = "【可用图片】\n" + 图片描述列表
|
||||
|
||||
# 最终上下文
|
||||
enhanced_context = context_text + image_info
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 八、LLM 生成
|
||||
|
||||
### 8.1 AgenticRAG 引擎
|
||||
|
||||
v7.0.0 将 Agentic 引擎拆分为独立的子模块，各司其职：
|
||||
|
||||
| 子模块 | 职责 |
|
||||
|--------|------|
|
||||
| `agentic_search.py` | 检索调度：管理多轮检索、查询分解 |
|
||||
| `agentic_answer.py` | 回答生成：基于上下文生成最终回答 |
|
||||
| `agentic_citation.py` | 引用标注：在回答中插入来源引用标记 |
|
||||
| `agentic_context.py` | 上下文管理：上下文窗口控制、截断策略 |
|
||||
| `agentic_query.py` | 查询处理：查询改写、多查询生成 |
|
||||
| `agentic_media.py` | 多媒体处理：图片理解、表格解析 |
|
||||
| `agentic_quality.py` | 质量控制：回答质量评估、幻觉检测 |
|
||||
| `agentic_meta.py` | 元数据管理：知识库信息、检索统计 |
|
||||
|
||||
### 8.2 流式生成
|
||||
|
||||
使用 SSE（Server-Sent Events）实现流式输出：
|
||||
|
||||
```python
|
||||
for token in engine.generate_answer_stream(query, enhanced_context):
|
||||
yield token # 逐 token 推送给前端
|
||||
```
|
||||
|
||||
**主 LLM 模型**：qwen3.6-flash
|
||||
**VLM 模型**：qwen-vl-plus（处理图片理解任务）
|
||||
|
||||
### 8.3 回答结构
|
||||
|
||||
```python
|
||||
{
|
||||
"type": "finish",
|
||||
"answer": "根据蓄水以来的统计数据，三峡电站逐年发电量呈现波动上升趋势...",
|
||||
"sources": [
|
||||
{
|
||||
"source": "三峡公报_2022.pdf",
|
||||
"page": 12,
|
||||
"section": "综述 > 2.3 发电",
|
||||
"chunk_id": "三峡公报_text_24"
|
||||
}
|
||||
],
|
||||
"images": [
|
||||
{
|
||||
"id": "ab77281e7913.jpg",
|
||||
"url": "/images/ab77281e7913.jpg",
|
||||
"type": "chart",
|
||||
"source": "三峡公报_2022.pdf",
|
||||
"page": 12,
|
||||
"description": "图2.3 柱状图：2003-2022年逐年发电量"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 九、引用溯源
|
||||
|
||||
### 9.1 引用标注机制
|
||||
|
||||
`agentic_citation.py` 负责在回答中插入引用标记，将回答内容与知识库来源关联：
|
||||
|
||||
```
|
||||
根据统计数据[1]，2022年三峡电站年度发电量为787.90亿千瓦时[2]。
|
||||
|
||||
[1] 来源：三峡公报_2022.pdf，第12页，综述 > 2.3 发电
|
||||
[2] 来源：三峡公报_2022.pdf，第15页，表2.1
|
||||
```
|
||||
|
||||
### 9.2 引用数据来源
|
||||
|
||||
每个引用标记对应检索结果中的一个切片，包含：
|
||||
|
||||
| 字段 | 说明 |
|
||||
|------|------|
|
||||
| `source` | 源文件名 |
|
||||
| `page` | 页码 |
|
||||
| `section` | 章节路径 |
|
||||
| `chunk_id` | 切片唯一标识 |
|
||||
| `chunk_type` | 类型（text / table / image / chart） |
|
||||
|
||||
### 9.3 前端引用跳转
|
||||
|
||||
前端解析回答中的引用标记（如 `[1]`），渲染为可点击的链接，点击后跳转到对应的来源文件或页面。
|
||||
|
||||
---
|
||||
|
||||
## 十、文档入库流程（补充参考）
|
||||
|
||||
> 入库流程为检索提供数据基础，以下简要说明关键环节。
|
||||
|
||||
### 10.1 文档解析
|
||||
|
||||
**入口文件**：`parsers/mineru_parser.py`
|
||||
**核心函数**：`parse_with_mineru()`
|
||||
|
||||
MinerU 解析 PDF/Word/Excel 文件，输出结构化内容：
|
||||
|
||||
```
|
||||
.data/mineru_temp/{file_hash}/
|
||||
├── auto/
|
||||
│ ├── {doc_name}.md # Markdown 内容
|
||||
│ ├── {doc_name}_content_list.json # 结构化内容列表（核心）
|
||||
│ └── images/ # 提取的图片文件
|
||||
```
|
||||
|
||||
**content_list.json 中的条目类型**：
|
||||
|
||||
| item_type | 处理方式 | 关键字段 |
|
||||
|-----------|----------|----------|
|
||||
| `text` | 文本块 | content, section_path, text_level |
|
||||
| `table` | 表格 | content, table_html, image_path |
|
||||
| `image` | 图片 | content(=caption), image_path, context_before/after |
|
||||
| `chart` | 图表 | content(=caption), image_path, context_before/after |
|
||||
|
||||
### 10.2 MinerUChunk 数据结构
|
||||
|
||||
```python
|
||||
@dataclass
|
||||
class MinerUChunk:
|
||||
content: str # 文本内容
|
||||
chunk_type: str # 类型: text, table, image, chart
|
||||
page_start: int = 1 # 起始页码
|
||||
page_end: int = 1 # 结束页码
|
||||
text_level: int = 0 # 标题级别 (0=正文, 1=h1, 2=h2...)
|
||||
title: str = "" # 标题文本
|
||||
section_path: str = "" # 章节路径
|
||||
bbox: Optional[List[float]] = None # 边界框 [x0, y0, x1, y1]
|
||||
source_file: str = "" # 源文件名
|
||||
table_html: Optional[str] = None # 表格 HTML
|
||||
image_path: Optional[str] = None # 图片路径
|
||||
images: Optional[List[Dict]] = None # 关联图片列表
|
||||
context_before: str = "" # 图片前的文本上下文
|
||||
context_after: str = "" # 图片后的文本上下文
|
||||
```
|
||||
|
||||
### 10.3 切片入库
|
||||
|
||||
**入口文件**：`knowledge/manager.py`
|
||||
**核心函数**：`add_file_to_kb()`
|
||||
|
||||
```
|
||||
MinerUChunk 列表
|
||||
│
|
||||
├── 文本块 → 计算 embedding → 存入 ChromaDB
|
||||
│
|
||||
├── 表格块 → 生成语义增强摘要 → 存入 ChromaDB
|
||||
│
|
||||
└── 图片块 → VLM 缓存检查 → 生成描述 → 存入 ChromaDB
|
||||
```
|
||||
|
||||
**图片描述策略**：
|
||||
1. 优先使用 VLM 缓存描述（语义更丰富，由 qwen-vl-plus 生成）
|
||||
2. 若无缓存，生成轻量描述（基于文件名 + 章节路径 + 上下文）
|
||||
|
||||
轻量描述示例：
|
||||
```
|
||||
图表：图2.3，位于「综述 > 2.3发电」，第12页
|
||||
前文：受长江流域性严重枯水影响，2022年三峡电站年度发电量为787.90亿千瓦时...
|
||||
后文：2.4航运 三峡船闸和葛洲坝船闸实行统一调度...
|
||||
```
|
||||
|
||||
VLM 描述示例（更精准）：
|
||||
```
|
||||
图2.3 柱状图 主要内容描述：该柱状图展示了2003年至2022年每年的发电量（单位：亿千瓦时）。
|
||||
发电量在2003年为86.07亿千瓦时，随后逐年波动上升，至2020年达到峰值1118.02亿千瓦时...
|
||||
```
|
||||
|
||||
### 10.4 ChromaDB 存储结构
|
||||
|
||||
| 字段 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `ids` | str | 切片唯一标识，如 `doc.pdf_text_24` |
|
||||
| `embeddings` | List[float] | 向量表示 |
|
||||
| `documents` | str | 切片内容（文本/描述/摘要） |
|
||||
| `metadatas` | dict | 元数据（见下表） |
|
||||
|
||||
**图片切片 metadata 示例**：
|
||||
|
||||
```python
|
||||
{
|
||||
'source': '三峡公报_2022.pdf',
|
||||
'page': 12,
|
||||
'chunk_type': 'chart',
|
||||
'section': '综述 > 2.3发电',
|
||||
'figure_number': '2.3',
|
||||
'image_path': 'ab77281e7913.jpg',
|
||||
'has_vlm_desc': True,
|
||||
'preview': '图2.3 柱状图 主要内容...'
|
||||
}
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 十一、关键文件索引
|
||||
|
||||
| 文件 | 职责 | 关键函数/类 |
|
||||
|------|------|-------------|
|
||||
| `api/chat_routes.py` | API 路由与请求调度 | `generate()`, `select_images()`, `score_image_relevance()` |
|
||||
| `core/intent_analyzer.py` | 意图分析 | `analyze()`, `IntentAnalysis` |
|
||||
| `core/engine.py` | 检索引擎核心 | `search_knowledge()`, `reciprocal_rank_fusion()`, `rerank_results()` |
|
||||
| `core/agentic_search.py` | 检索调度 | 多轮检索、查询分解 |
|
||||
| `core/agentic_answer.py` | 回答生成 | 基于上下文生成最终回答 |
|
||||
| `core/agentic_citation.py` | 引用标注 | 来源引用标记插入 |
|
||||
| `core/agentic_context.py` | 上下文管理 | 上下文窗口控制、截断 |
|
||||
| `core/agentic_query.py` | 查询处理 | 查询改写、多查询生成 |
|
||||
| `core/agentic_media.py` | 多媒体处理 | 图片理解、表格解析 |
|
||||
| `core/agentic_quality.py` | 质量控制 | 回答质量评估、幻觉检测 |
|
||||
| `core/agentic_meta.py` | 元数据管理 | 知识库信息、检索统计 |
|
||||
| `parsers/mineru_parser.py` | 文档解析 | `parse_with_mineru()`, `MinerUChunk` |
|
||||
| `knowledge/manager.py` | 知识库管理 | `add_file_to_kb()`, `generate_lightweight_image_description()` |
|
||||
| `knowledge/lazy_enhance.py` | 懒加载增强 | `lazy_vlm_description()`, `enhance_retrieved_chunks()` |
|
||||
Reference in New Issue
Block a user