📚 RAG 知识库问答系统

基于 DeepSeek V4 的 1M 上下文窗口，实现文档智能问答。

功能

• 📄 多格式文档 — 支持 PDF、TXT、Markdown、DOCX 上传
• ⚡ 流式输出 — 打字机效果，实时逐字渲染答案
• 📖 来源标注 — 每个回答附带原文引用片段，可展开查看
• 💬 多轮对话 — 对话历史记忆，支持上下文追问
• 💾 数据持久化 — 刷新浏览器文档和对话自动恢复
• 📥 结果导出 — 对话记录支持 Markdown / JSON 格式导出
• 🔄 容错重试 — API 调用失败自动指数退避重试

技术栈

层级	技术
大模型	DeepSeek V4 Pro（1M 上下文窗口）
Web 框架	Streamlit
API 客户端	OpenAI SDK（兼容 DeepSeek API）
文档解析	PyPDF + python-docx + LangChain Loader
工程化	python-dotenv / loguru / tenacity

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置 API Key

# 复制配置模板
cp .env.example .env

# 编辑 .env，填入你的 DeepSeek API Key
# DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxx

3. 放置文档

将知识库文档放入 data/ 目录，启动后界面会自动检测并提供一键加载按钮。

支持格式：.pdf .txt .md .docx

4. 启动

streamlit run app.py

浏览器打开 http://localhost:8501。

如需局域网内其他设备访问：

streamlit run app.py --server.address 0.0.0.0 --server.port 8501

Windows 用户可直接双击 run.bat。

项目结构

rag_project/
├── app.py                  # Web UI 入口
├── config.py               # 集中配置管理
├── run.bat                 # Windows 一键启动
├── .env                    # API Key（不提交）
├── .env.example            # 配置模板
├── requirements.txt        # 依赖清单
├── README.md               # 项目说明
├── CLAUDE.md               # 开发文档
├── PROJECT_DOC.md          # 面试项目文档
│
├── src/
│   ├── llm_client.py       # DeepSeek API 客户端
│   ├── loader.py           # 多格式文档加载器
│   ├── rag_engine.py       # RAG 引擎核心
│   ├── history.py          # 对话历史管理
│   └── cache.py            # 磁盘缓存持久化
│
├── data/                   # 文档存放 + 缓存
└── exports/                # 问答导出

技术方案

为什么不用向量检索？

DeepSeek V4 的 1M token 上下文窗口可以直接容纳整本文档。相较于传统 RAG 的「嵌入 + 向量检索」方案：

• ✅ 信息零丢失（无 chunk 切分损失）
• ✅ 免嵌入模型（DeepSeek 不提供 Embedding API）
• ✅ 实现简洁，维护成本低

当文档规模增长至百万 token 级别时，可引入向量检索作为补充。

界面截图

启动后：

1. 主界面中央显示上传区 + data/ 目录已有文档的快速加载按钮
2. 点击加载文档 → 左侧显示文档统计 → 底部出现聊天输入框
3. 输入问题 → 流式生成答案 → 可展开来源引用
4. 底部可导出 Markdown / JSON 对话记录

License

MIT