个人rag介绍网站产品系统Vibe Coding

立项原因：传统个人主页是静态、单向的，访客只能被动阅读，资料分散在多个板块难以按需检索，常面临「看不懂、查不到、信息散」的痛点。本项目旨在构建一个「会回答的」个人门户——以 RAG 技术把个人经历、项目、技能等知识结构化入库，访客用自然语言提问即可获得精准、可溯源的答复。
业务背景：面向求职与作品展示场景，在人工智能行业下将大模型能力落地为可交互的个人知识助手，区别于普通静态主页，让访客像和真人交流一样获取信息。

1. 智能问答——基于个人资料的 RAG 对话，流式打字机输出，答案标注资料来源可溯源；
2. 多智能体协作——检索员与图谱员分工，多路上下文融合后生成回答；
3. 知识图谱可视化——用 Cytoscape 展示个人知识实体与关系网络；
4. 分类型文档解析入库——PDF（数字/扫描件）、代码、合同、Markdown 按类型走不同解析与切分策略；
5. 管理后台——板块管理、文档上传、索引一键重建；
6. 双层评测体系——检索层（MRR / Recall@K / NDCG）与生成层（忠实度 / 答案相关性 / 安全性）量化指标。
主要功能：访客提问后系统先做混合检索（向量 + BM25 + HyDE 假想文档）融合重排，取最相关上下文喂给大模型生成答案并标注来源；后台按文档类型自动选择解析与切分器以保证检索质量；内置评测脚本量化回答准确率。

负责任务：独立完成需求分析、架构设计、全栈编码与服务器部署；设计分类型解析/切分策略、检索融合与重排、防幻觉 prompt 准则、双层评测体系。
技术栈与架构：后端 FastAPI + LangChain/LangGraph，向量库 Chroma 与 SQLite FTS5 混合检索；LLM 用 DeepSeek、Embedding 用火山引擎豆包多模态模型；前端 Jinja2 + 原生 JS；MinerU / Paddle / PyMuPDF 分类型解析；Docker + Caddy2 部署于腾讯云 2 核 2G VPS。
亮点与难点：父子切分兼顾检索精度与上下文连贯；按文档类型路由不同切分器（代码走 AST 函数级、合同按条、Markdown 按标题面包屑）；HyDE 第三路召回提升查全率；全变体双引号清洗保证输出格式；检索接口异步化避免阻塞网站。