企业级智能知识库问答系统

基于 RAG (Retrieval-Augmented Generation) 架构的智能问答平台，支持多文档格式的知识库管理、智能检索和上下文感知的对话生成。

✨ 核心特性

• 🎯 精准检索：混合检索（向量 + BM25）+ 语义重排序
• 🔒 安全可靠：JWT 认证、用户数据隔离
• 📱 多端支持：PC 端（KivyMD）和 Android 移动端
• 🚀 高性能：LangGraph 工作流引擎、智能缓存
• 📚 多格式支持：PDF、DOCX、TXT、CSV、Excel 等

🏗️ 技术架构

• 后端：FastAPI + LangChain + LangGraph + ChromaDB
• 前端：KivyMD (PC) / Android APK
• 数据库：MySQL (用户/历史) + ChromaDB (向量索引)
• LLM：阿里云 DashScope (Qwen-Max)

📋 快速开始

1. 环境要求

• Python 3.10+
• MySQL 5.7+
• 阿里云 DashScope API Key

2. 安装依赖

# 创建虚拟环境
python -m venv bert_env

# 激活虚拟环境
# Windows:
bert_env\Scripts\activate
# Linux/Mac:
source bert_env/bin/activate

# 安装依赖
pip install -r requirements.txt

3. 配置环境变量

创建 .env 文件：

DASHSCOPE_API_KEY=your-api-key-here

4. 初始化数据库

# 初始化数据库表
python init_user.py

5. 启动服务

# 启动后端服务器
python server.py

# 启动客户端（新终端）
python main.py

📖 文档

• 产品报告 - 完整的产品介绍和技术文档
• 构建指南 - Android APK 构建说明
• Colab 构建指南 - 在 Google Colab 上构建 APK

🔧 主要功能

• ✅ 用户注册/登录（JWT 认证）
• ✅ 多格式文件上传（PDF、DOCX、TXT 等）
• ✅ 智能问答（混合检索 + 语义重排序）
• ✅ 多轮对话（上下文记忆）
• ✅ 聊天历史管理
• ✅ 思考过程可视化

📝 项目结构

qwen_rag/
├── app/                    # 核心应用模块
│   ├── auth.py            # 认证模块
│   ├── chains.py          # LLM Chain 定义
│   ├── graph.py           # LangGraph 工作流
│   ├── retriever.py       # 检索模块
│   ├── loader.py          # 文档加载器
│   └── rag_core.py        # RAG 核心功能
├── server.py              # FastAPI 后端服务
├── main.py                # KivyMD 客户端
├── requirements.txt       # 依赖列表
└── README.md             # 本文件

⚠️ 注意事项

1. API Key：请妥善保管你的 DASHSCOPE_API_KEY，不要提交到 Git
2. 数据库配置：修改 server.py 中的数据库连接信息
3. 敏感数据：不要上传包含敏感信息的文件到仓库

📄 许可证

本项目仅供学习和研究使用。

👥 贡献

欢迎提交 Issue 和 Pull Request！

---

版本: V 1.3.0 Plus
最后更新: 2026-01-23