# RAG智能客服系统

基于检索增强生成（RAG）技术的智能客服系统，支持知识库管理和对话问答功能。

## 功能特性

- **智能问答**：基于通义千问大模型，结合知识库进行精准回答
- **历史记忆**：支持多轮对话，保持上下文连贯性
- **知识库管理**：支持上传TXT文件构建向量知识库
- **去重机制**：基于MD5自动检测重复内容，避免重复入库
- **向量检索**：使用Chroma向量数据库存储和检索文档

## 技术栈

- **大语言模型**：通义千问 (Qwen3-max)
- **嵌入模型**：DashScope text-embedding-v4
- **向量数据库**：Chroma
- **Web框架**：Streamlit
- **核心框架**：LangChain

## 项目结构

```
RAG_proj/
├── app_qa.py              # 智能问答Web界面
├── app_file_uploader.py   # 知识库上传Web界面
├── rag.py                 # RAG服务核心类
├── knowledge_base.py      # 知识库管理服务
├── vector_stores.py       # 向量存储服务
├── file_hisroty_store.py  # 对话历史存储
├── config_data.py         # 配置文件
├── data/                  # 示例知识库文档
│   ├── 尺码推荐.txt
│   ├── 洗涤养护.txt
│   └── 颜色选择.txt
├── chroma_db/             # 向量数据库目录
└── chat_history/          # 对话历史存储目录
```

## 快速开始

### 1. 安装依赖

```bash
pip install langchain langchain-community langchain-chroma streamlit dashscope
```

### 2. 配置API密钥

设置DashScope API密钥（通义千问）：

```bash
export DASHSCOPE_API_KEY="your-api-key"
```

### 3. 启动服务

**启动知识库上传界面：**
```bash
streamlit run app_file_uploader.py
```

**启动智能问答界面：**
```bash
streamlit run app_qa.py
```

## 使用说明

### 知识库管理

1. 打开知识库上传界面 (`app_file_uploader.py`)
2. 上传TXT格式的知识文档
3. 系统自动进行文本分割、向量化和存储
4. 重复内容会自动跳过

### 智能问答

1. 打开智能问答界面 (`app_qa.py`)
2. 在对话框中输入问题
3. 系统会从知识库中检索相关内容并结合大模型生成回答
4. 支持多轮对话，保持上下文记忆

## 配置说明

在 `config_data.py` 中可以修改以下配置：

| 配置项 | 默认值 | 说明 |
|--------|--------|------|
| `embedding_model_name` | text-embedding-v4 | 嵌入模型名称 |
| `chat_model_name` | qwen3-max | 对话模型名称 |
| `chunk_size` | 1000 | 文本分块大小 |
| `chunk_overlap` | 100 | 文本分块重叠大小 |
| `similarity_threshold` | 1 | 向量检索返回数量 |

## 示例知识库

项目内置了服装领域的示例知识库：

- **尺码推荐.txt**：身高体重与服装尺码对照表
- **洗涤养护.txt**：不同材质服装的洗涤和养护指南
- **颜色选择.txt**：肤色、场合、季节与服装颜色搭配建议

## 许可证

本项目采用 MIT 许可证，详见 [LICENSE](LICENSE) 文件。

## 注意事项

- 需要有效的 DashScope API 密钥才能正常使用
- 知识库文件目前仅支持 TXT 格式
- 向量数据库会自动持久化到 `./chroma_db` 目录
- 对话历史存储在 `./chat_history` 目录