RAG知识中心产品系统Vibe Coding

提供一个开源免费、开箱即用的RAG知识库系统，供中小型企业本地化部署使用。传统的文档查询效率低且浪费人力，RAG知识库可以有效提高文档检索效率，并结合大模型给出精准回复，提高整体工作效率。
代码仓库地址https://github.com/flyingpenguin57/knowledge-center/blob/main/DESIGN.md

1.用户上传文件
→ FastAPI 接收文件
→ MinIO 持久化存储
→ MinerU 云端解析为 Markdown
→ LangChain RecursiveCharacterTextSplitter 切分 Chunk
→ light-embedding 生成向量
→ Qdrant 向量存储 + PostgreSQL 元数据持久化
2.用户问答
→ light-embedding 生成问题向量
→ Qdrant 检索 top_k 相关 Chunk
→ LLM 基于 Chunk 上下文生成回答
→ 前端渲染 Markdown + 思考标签折叠
3.用户注册登录、token配置等

# 知识库 RAG 系统设计

## 技术栈

| 层级 | 技术 |
|------|------|
| 前端 | React 18 + Vite + Ant Design + React Markdown |
| 后端 | Python FastAPI + SQLAlchemy + Pydantic |
| 文件存储 | MinIO（本地 Docker） |
| 关系数据库 | PostgreSQL 16（本地 Docker） |
| 向量数据库 | Qdrant（本地 Docker） |
| Embedding | light-embedding（all-MiniLM-L6-v2, 384 维） |
| 文档解析 | MinerU 云 API |
| LLM | 用户自配（OpenAI 兼容格式） |
| 认证 | JWT Bearer Token + bcrypt 密码哈希 |

## 核心流程

### 文档解析流程

```
用户上传文件
→ FastAPI 接收文件
→ MinIO 持久化存储
→ MinerU 云端解析为 Markdown
→ LangChain RecursiveCharacterTextSplitter 切分 Chunk
→ light-embedding 生成向量
→ Qdrant 向量存储 + PostgreSQL 元数据持久化
```

### RAG 问答流程

```
用户提问
→ light-embedding 生成问题向量
→ Qdrant 检索 top_k 相关 Chunk（user_id 隔离）
→ LLM 基于 Chunk 上下文生成回答
→ 前端渲染 Markdown + 思考标签折叠
```