过去十年，企业文档资产呈指数级增长。技术手册、合规规范、培训资料、客服问答、会议记录等内容分散在 Confluence、飞书、云盘、本地服务器甚至员工个人电脑中，形成严重的**信息孤岛**。与此同时，大语言模型（LLM）让"机器读懂文档"成为现实，但通用 LLM 的知识截止于训练时间，无法回答"公司今年 Q3 的 SLA 标准是什么"这类私有问题。这一矛盾催生了 RAG（检索增强生成）技术路线的爆发，也是本产品的根本立项动因。
立项具体原因为：**一是企业知识检索效率极低**。McKinsey 调研显示，知识工作者每天平均花 1.8 小时在搜索和整理信息上；传统关键词搜索依赖精确匹配，语义理解弱，常导致重复劳动与决策失误。
**二是现有方案均有明显短板**。传统搜索（ES/Solr）语义能力弱；通用 LLM（ChatGPT 等）无法访问私有数据，合规风险高；商业知识库（Notion AI、飞书 AI）绑定平台，消化不了扫描件与音视频等遗留格式；自建 RAG 工程成本高，中小团队难以负担。市场缺一款同时做到**私有化部署 + 多格式解析 + 开箱即用 + 灵活模型选择**的产品。
**三是窗口期明确**。2024—2025 年是企业 AI 化关键窗口，需求强烈但中文化、私有化的成熟 RAG 产品仍稀缺，格局尚未固化。
典型行业场景为：
- **法律 / 合规**：律所上传历史合同与操作规程，律师提问"制造业客户违约赔偿条款通常如何约定"，系统召回相关条款并标注出处，检索时间从 2 小时压缩到 30 秒。
- **制造业**：设备手册（扫描件 OCR）与维修视频（Whisper 转录）统一入库，工程师现场输入故障代码即可获取排查步骤。
- **教育培训**：机构将课程讲义与考题发布至知识库市场，学员按需购买访问权进行交互式问答，知识资产从"一次性销售"转为"持续变现"。
RAG 智能知识库问答系统
核心定位：基于 RAG（检索增强生成）技术的 SaaS 知识库问答平台。用户上传文档后，可通过自然语言对话检索内容并获得 AI 答案，每条回答附带来源引用，可追溯至原始文件。
主要功能
知识库管理：支持创建、编辑、删除多个独立知识库；可从知识库市场选用模板（客服、法律、HR 等），快速搭建特定场景的知识库；支持文档列表查看与单文档删除。
多格式文档解析：覆盖文本（txt/md/csv/json 等）、PDF、Office（Word/Excel/PPT）、图片（OCR + Vision 双通道）、音频（Whisper 语音转录）、视频（提取音频后转录）六大类型。
RAG 问答引擎：文档自动分块→Embedding→向量存储（ChromaDB），提问时语义检索 top-k 片段作为上下文送入 LLM；支持多轮对话保持历史上下文，流式响应（SSE）实时输出。
多 LLM 支持：设置页可切换 OpenAI、DeepSeek、智谱 GLM、通义千问、Ollama（本地）及自定义兼容接口，无需改代码。
用户权限体系：JWT 注册/登录，邮件+短信双验证。三级套餐：Free（5库/10文档/1MB）、Pro（100库/100文档/1GB，支持分享）、Enterprise（1000文档/库）。
知识库分享：Pro+ 用户可生成带过期时间的访客链接（1小时有效），访客免登录即可使用该知识库问答。
支付系统：支持微信支付与支付宝，按月或按年订阅 Pro/Enterprise，支付后自动升级套餐并记录到期时间。
管理员后台：查看全部用户，修改角色与套餐，批量重置密码并邮件通知，管理 OCR/支付/短信/LLM 等系统配置。
仪表板统计：展示知识库数、文档数、向量块数、对话数，支持个人资料查看与修改。
后端：FastAPI + Uvicorn（ASGI）、SQLite + SQLAlchemy 2.0、ChromaDB 向量库、JWT 认证、OpenAI SDK 多 Provider 兼容、PyMuPDF/python-docx/openpyxl/pytesseract 文档解析、Whisper + ffmpeg 音视频转录、微信/支付宝支付、阿里云短信
前端：React 18 + Vite，原生 CSS，自定义 Hooks/Services 分层，无第三方 UI 库
部署：Docker Compose（backend / frontend / nginx / certbot），Nginx 反代 + Let's Encrypt 自动续期 HTTPS
架构亮点
Provider 抽象层：LLM/Embedding 统一经 llm_provider.py，OpenAI 兼容接口支持 6 家服务商，切换仅改 JSON 配置
RAG Pipeline：上传→解析→三级分块（段落/句子/字符，带 overlap）→批次写入 ChromaDB→top-k 语义检索→LLM→SSE 流式输出
Parser 工厂：按扩展名路由，继承 BaseParser 即可扩展新格式
OCR 双通道：百度 OCR 优先，降级 Tesseract 兜底
大文件音视频：ffmpeg 提取音轨，>25MB 按 600s 分段调 Whisper 后拼接
实现难点
Embedding 一致性：切换 Provider 后向量空间失效，旧数据需重新向量化
SSE 时序：流式 token 输出完毕后再推送 sources，前端须正确处理异步序列
分块重复：overlap 保语义完整但产生重复 chunk，召回时需过滤高相似结果
访客隔离：分享链接需在无登录态下同时校验归属、套餐等级、链接有效期
声明：本文仅代表作者观点，不代表本站立场。如果侵犯到您的合法权益，请联系我们删除侵权资源！如果遇到资源链接失效，请您通过评论或工单的方式通知管理员。未经允许，不得转载，本站所有资源文章禁止商业使用运营!
下载安装【程序员客栈】APP
实时对接需求、及时收发消息、丰富的开放项目需求、随时随地查看项目状态
评论