100d1a06eb
- 后端 API（Flask + Gunicorn） - RAG 引擎（混合检索 + 云端 Reranker + 引用溯源） - 文档解析（MinerU + 多格式支持） - Docker 生产部署配置 - 排除前端项目、敏感配置、模型文件
449 lines
18 KiB
Markdown
449 lines
18 KiB
Markdown
# RAG 数据流程完整分析
|
||
|
||
> 本文档详细分析 RAG 系统从文档上传到回答生成的完整数据流程，
|
||
> 帮助理解各模块职责和定位问题。
|
||
|
||
---
|
||
|
||
## 一、整体架构
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────────────────┐
|
||
│ 用户查询 │
|
||
└─────────────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────────────┐
|
||
│ api/chat_routes.py - generate() │
|
||
│ ├── 意图分析 (intent_analyzer.py) - 问题改写 + 是否需要检索 │
|
||
│ ├── 混合检索 (search_hybrid → engine.search_knowledge) │
|
||
│ ├── 图片选择 (select_images) - 打分排序 │
|
||
│ └── LLM 生成回答 │
|
||
└─────────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
---
|
||
|
||
## 二、文档入库流程
|
||
|
||
### 2.1 解析层 (parsers/mineru_parser.py)
|
||
|
||
**输入**：PDF/Word/Excel 文件
|
||
|
||
**核心函数**：`parse_with_mineru()`
|
||
|
||
**处理流程**：
|
||
1. MinerU 解析文档 → 输出 `content_list.json` + 图片文件
|
||
2. 遍历 content_list，按类型处理：
|
||
|
||
| item_type | 处理方式 | MinerUChunk 字段 |
|
||
|-----------|----------|------------------|
|
||
| `text` | 文本块 | content, section_path, text_level |
|
||
| `table` | 表格 | content, table_html, image_path(表格图片) |
|
||
| `image` | 图片 | content(=caption), image_path, context_before/after |
|
||
| `chart` | 图表 | content(=caption), image_path, context_before/after |
|
||
|
||
**图片上下文提取** (第 366-384 行)：
|
||
```python
|
||
def get_context_for_image(image_idx: int, page_idx: int, window: int = 3) -> tuple:
|
||
"""获取图片前后的文本上下文"""
|
||
context_before = []
|
||
context_after = []
|
||
|
||
# 查找图片前后的文本项
|
||
for item_idx, text, item_page in text_items:
|
||
if item_idx < image_idx and item_page >= page_idx - 1:
|
||
context_before.append(text) # 图片之前的文本
|
||
elif item_idx > image_idx and item_page <= page_idx + 1:
|
||
context_after.append(text) # 图片之后的文本
|
||
|
||
# 只保留最近的 window 条
|
||
return " ".join(context_before[-window:]), " ".join(context_after[:window])
|
||
```
|
||
|
||
**输出**：`MinerUChunk` 列表
|
||
|
||
```python
|
||
@dataclass
|
||
class MinerUChunk:
|
||
content: str # 文本内容（图片类型通常是 caption 或默认值）
|
||
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=body, 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
|
||
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
|
||
```
|
||
|
||
---
|
||
|
||
### 2.2 入库层 (knowledge/manager.py)
|
||
|
||
**核心函数**：`add_file_to_kb()`
|
||
|
||
**处理流程**：
|
||
|
||
```
|
||
MinerUChunk 列表
|
||
│
|
||
├── 文本块 ──────────────────────► 文本切片入库
|
||
│ ├── 计算 embedding
|
||
│ └── collection.add(id, embedding, document, metadata)
|
||
│
|
||
├── 表格块 ──────────────────────► 表格切片入库
|
||
│ ├── 生成语义增强内容
|
||
│ └── collection.add(...)
|
||
│
|
||
└── 图片块 ──────────────────────► 图片切片入库
|
||
├── 检查 VLM 缓存（新增）
|
||
├── 生成描述（VLM 或轻量描述）
|
||
└── collection.add(...)
|
||
```
|
||
|
||
**图片切片入库详细流程** (第 1296-1378 行)：
|
||
|
||
```python
|
||
# 1. 检查 VLM 缓存（优先使用）
|
||
vlm_desc = self._get_vlm_cache(full_image_path)
|
||
|
||
if vlm_desc:
|
||
# 使用 VLM 描述（语义更丰富）
|
||
description = vlm_desc
|
||
image_meta['has_vlm_desc'] = True
|
||
else:
|
||
# 生成轻量描述（包含上下文）
|
||
description = self.generate_lightweight_image_description(...)
|
||
|
||
# 2. 计算 embedding
|
||
vector = embedding_model.encode(description).tolist()
|
||
|
||
# 3. 存入向量库
|
||
collection.add(
|
||
ids=[chunk_id],
|
||
embeddings=[vector],
|
||
documents=[description],
|
||
metadatas=[image_meta]
|
||
)
|
||
```
|
||
|
||
**generate_lightweight_image_description() 输出格式**：
|
||
|
||
```
|
||
图表：图2.3，位于「... > 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 缓存描述格式**（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...
|
||
```
|
||
|
||
---
|
||
|
||
### 2.3 向量库存储结构
|
||
|
||
**ChromaDB 存储字段**：
|
||
|
||
| 字段 | 类型 | 说明 |
|
||
|------|------|------|
|
||
| `ids` | str | 切片唯一标识，如 `三峡公报_1-15页.pdf_text_24` |
|
||
| `embeddings` | List[float] | 768 维向量（bge-base-zh-v1.5） |
|
||
| `documents` | str | 切片内容（用于 LLM 上下文和相似度计算） |
|
||
| `metadatas` | dict | 元数据 |
|
||
|
||
**图片切片 metadata 字段**：
|
||
|
||
```python
|
||
{
|
||
'source': '三峡公报_1-15页.pdf',
|
||
'page': 12,
|
||
'chunk_type': 'chart', # image 或 chart
|
||
'section': '综述 > 2.3发电',
|
||
'caption': '图表', # 通常为默认值
|
||
'figure_number': '2.3', # 从上下文提取的图号
|
||
'image_path': 'ab77281e7913.jpg',
|
||
'has_vlm_desc': True, # 是否有 VLM 描述
|
||
'preview': '图2.3 柱状图 主要内容...' # 描述预览
|
||
}
|
||
```
|
||
|
||
---
|
||
|
||
## 三、检索流程
|
||
|
||
### 3.1 混合检索 (core/engine.py)
|
||
|
||
**核心函数**：`search_knowledge()`
|
||
|
||
**流程图**：
|
||
|
||
```
|
||
用户查询
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 1. 查询缓存检查 │
|
||
│ cache.get_query_result(query, kb_name) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│ 未命中
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 2. 向量检索 │
|
||
│ query_vector = embedding_model.encode(query) │
|
||
│ collection.query(query_embeddings=[query_vector], n_results=100) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 3. BM25 关键词检索（可选） │
|
||
│ bm25_results = bm25_index.search(query, top_k=100) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 4. RRF 融合 │
|
||
│ fused_results = reciprocal_rank_fusion([vector, bm25], weights) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 5. MMR 去重 │
|
||
│ fused_results = _apply_mmr(query, fused_results, top_k=30) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 6. Rerank 重排序 │
|
||
│ rerank_results(query, fused_results, top_k=5) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 7. 返回结果 │
|
||
│ {ids: [[...]], documents: [[...]], metadatas: [[...]], │
|
||
│ distances: [[...]]} │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
**关键参数**：
|
||
|
||
| 参数 | 默认值 | 说明 |
|
||
|------|--------|------|
|
||
| `recall_k` | 100 | 召回候选数量 |
|
||
| `top_k` | 5-20 | 最终返回数量 |
|
||
| `VECTOR_WEIGHT` | 0.6 | 向量检索权重 |
|
||
| `BM25_WEIGHT` | 0.4 | BM25 检索权重 |
|
||
|
||
---
|
||
|
||
### 3.2 图片选择 (api/chat_routes.py)
|
||
|
||
**核心函数**：`select_images()`
|
||
|
||
**流程**：
|
||
|
||
```
|
||
检索结果 contexts
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 1. 提取图表引用 │
|
||
│ 从 top 5 文本块提取 "见图2.3"、"如表2.2" 等 │
|
||
│ → referenced_figures = {'2.3': {来源文件}} │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 2. 遍历图片切片，打分 │
|
||
│ for ctx in contexts: │
|
||
│ if ctx['meta']['chunk_type'] in ('image', 'chart'): │
|
||
│ score = score_image_relevance(query, meta, doc) │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────────┐
|
||
│ 3. 排序返回 top N │
|
||
│ scored_images.sort(key=lambda x: x['score'], reverse=True) │
|
||
│ return scored_images[:MAX_IMAGES] │
|
||
└─────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
**score_image_relevance() 打分逻辑**：
|
||
|
||
| 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） |
|
||
|
||
---
|
||
|
||
## 四、问题诊断
|
||
|
||
### 4.1 问题现象
|
||
|
||
用户查询"蓄水以来逐年发电量"，期望返回图2.3，实际返回图2.5/表2.2。
|
||
|
||
### 4.2 诊断结果
|
||
|
||
| 排名 | 类型 | 内容 | Distance | 问题 |
|
||
|------|------|------|----------|------|
|
||
| 1 | text | "2.3发电"章节文本 | 0.9980 | ✅ 正确 |
|
||
| 24 | image | 封面图片 | 0.0002 | ❌ 极低 |
|
||
| N/A | chart | 图2.3 | 未进入 top 50 | ❌ 极低 |
|
||
|
||
### 4.3 根因分析
|
||
|
||
**问题 1：图片切片向量相似度极低**
|
||
|
||
- 图片的 `document` 是轻量描述格式
|
||
- 关键词"发电量"出现在"前文"中，被大量上下文稀释
|
||
- embedding 模型对这种格式的内容相似度计算不准确
|
||
|
||
**问题 2：VLM 缓存未被利用**
|
||
|
||
- 已有 VLM 缓存包含精准描述："展示了2003年至2022年每年的发电量"
|
||
- 但入库时未检查 VLM 缓存
|
||
- 导致图片切片的语义表达不准确
|
||
|
||
**问题 3：文本切片覆盖图片语义**
|
||
|
||
- "2.3发电" 章节的文本切片包含完整描述
|
||
- 文本切片排名靠前，但没有关联图片
|
||
- 图片切片独立存在，无法通过文本切片找到
|
||
|
||
---
|
||
|
||
## 五、优化方案
|
||
|
||
### 5.1 P0：入库时使用 VLM 缓存（已实现）
|
||
|
||
**修改文件**：`knowledge/manager.py`
|
||
|
||
**方案**：
|
||
```python
|
||
# 优先使用 VLM 缓存
|
||
vlm_desc = self._get_vlm_cache(full_image_path)
|
||
|
||
if vlm_desc:
|
||
description = vlm_desc # 使用 VLM 描述
|
||
image_meta['has_vlm_desc'] = True
|
||
else:
|
||
description = self.generate_lightweight_image_description(...) # 轻量描述
|
||
|
||
vector = embedding_model.encode(description).tolist()
|
||
```
|
||
|
||
**验证结果**（2026-04-28）：
|
||
- 为图2.3 生成了 VLM 描述，包含关键词"发电量"、"柱状图"、"2003年至2022年每年"
|
||
- 更新向量库后，查询"蓄水以来逐年发电量"时图2.3 排名第2（distance=0.3153）
|
||
- 效果显著提升
|
||
|
||
### 5.2 P1：意图分析器优化（已实现）
|
||
|
||
**问题**：用户再次问相同问题时，意图分析器错误设置 `need_retrieval=False`，导致复用错误的上下文。
|
||
|
||
**修改文件**：`core/intent_analyzer.py`
|
||
|
||
**方案**：在 SYSTEM_PROMPT 中添加规则：
|
||
- **当用户重复提问相同或相似问题时，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
|
||
|
||
### 5.3 P2：建立图文关联索引
|
||
|
||
**方案**：
|
||
1. 文本切片存储时，提取其中的图表引用
|
||
2. 在 metadata 中记录 `referenced_images: ["图2.3"]`
|
||
3. 检索时，通过文本切片的 `referenced_images` 找到对应图片
|
||
|
||
### 5.4 P3：图片独立召回通道
|
||
|
||
**方案**：
|
||
1. 向量检索时，对图片切片使用独立的 top_k
|
||
2. 保证图片切片有足够的召回机会
|
||
3. 最终融合文本和图片结果
|
||
|
||
---
|
||
|
||
## 六、验证方案
|
||
|
||
### 6.1 重建向量库
|
||
|
||
```bash
|
||
# 方式1：删除向量库目录后同步
|
||
rm -rf knowledge/vector_store/chroma/public_kb
|
||
curl -X POST http://localhost:5001/sync
|
||
|
||
# 方式2：通过 API 重新上传文档
|
||
```
|
||
|
||
### 6.2 测试检索
|
||
|
||
```bash
|
||
# 测试 1：关键词查询
|
||
curl -X POST http://localhost:5001/rag \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"query": "蓄水以来逐年发电量"}'
|
||
# 预期：图2.3 排名靠前
|
||
|
||
# 测试 2：图号查询
|
||
curl -X POST http://localhost:5001/rag \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"query": "图2.3 发电量"}'
|
||
# 预期：精确返回图2.3
|
||
|
||
# 测试 3：语义查询
|
||
curl -X POST http://localhost:5001/rag \
|
||
-H "Content-Type: application/json" \
|
||
-d '{"query": "三峡水库补水统计"}'
|
||
# 预期：返回表2.2/图2.5
|
||
```
|
||
|
||
### 6.3 检查向量库内容
|
||
|
||
```python
|
||
import chromadb
|
||
client = chromadb.PersistentClient(path='knowledge/vector_store/chroma/public_kb')
|
||
col = client.get_collection('public_kb')
|
||
|
||
# 查看图片切片
|
||
results = col.get(
|
||
where={'chunk_type': {'$in': ['image', 'chart']}},
|
||
include=['metadatas', 'documents'],
|
||
limit=10
|
||
)
|
||
|
||
for i, chunk_id in enumerate(results['ids']):
|
||
meta = results['metadatas'][i]
|
||
doc = results['documents'][i]
|
||
print(f"[{i+1}] {meta.get('chunk_type')} | has_vlm_desc: {meta.get('has_vlm_desc')}")
|
||
print(f" Doc: {doc[:100]}...")
|
||
```
|
||
|
||
---
|
||
|
||
## 七、关键文件索引
|
||
|
||
| 文件 | 职责 | 关键函数 |
|
||
|------|------|----------|
|
||
| `parsers/mineru_parser.py` | 文档解析 | `parse_with_mineru()`, `get_context_for_image()` |
|
||
| `knowledge/manager.py` | 向量库管理 | `add_file_to_kb()`, `generate_lightweight_image_description()`, `_get_vlm_cache()` |
|
||
| `core/engine.py` | 检索引擎 | `search_knowledge()`, `reciprocal_rank_fusion()`, `rerank_results()` |
|
||
| `api/chat_routes.py` | API 路由 | `generate()`, `select_images()`, `score_image_relevance()` |
|
||
| `core/intent_analyzer.py` | 意图分析 | `analyze()`, `IntentAnalysis` |
|
||
| `knowledge/lazy_enhance.py` | 懒加载增强 | `lazy_vlm_description()`, `enhance_retrieved_chunks()` |
|