参数配置统一

backend/app/rag/__init__.py

@@ -37,7 +37,6 @@ RAG 检索与生成模块
 from .retriever import (
     create_base_retriever,
     create_hybrid_retriever,
-    create_qdrant_client,
 )
 from .reranker import LLaMaCPPReranker
 from .query_transform import MultiQueryGenerator
@@ -50,7 +49,6 @@ __all__ = [
     # 检索器工厂函数
     "create_base_retriever",
     "create_hybrid_retriever",
-    "create_qdrant_client",
     
     # 重排序器
     "LLaMaCPPReranker",

backend/app/rag/retriever.py

@@ -25,66 +25,25 @@ Qdrant 向量检索器模块
     >>> docs = retriever.invoke("什么是 RAG？")
 """
 
-from typing import Optional, Dict, Any
+from typing import Dict, Any
 from qdrant_client import QdrantClient
 from qdrant_client.http.exceptions import UnexpectedResponse
 from langchain_qdrant import QdrantVectorStore
 from langchain_core.embeddings import Embeddings
 from langchain_core.retrievers import BaseRetriever
 
-from rag_core import QDRANT_URL, QDRANT_API_KEY
+from rag_core import QDRANT_URL, QDRANT_API_KEY, LlamaCppEmbedder
+from rag_core.client import create_qdrant_client as create_core_qdrant_client
 
 # 模块级常量
 DEFAULT_SEARCH_K = 20
 DEFAULT_SCORE_THRESHOLD = 0.3
 
 
-def create_qdrant_client(
-    url: Optional[str] = None,
-    api_key: Optional[str] = None,
-    timeout: int = 30,
-) -> QdrantClient:
-    """
-    创建并返回一个配置好的 Qdrant 客户端。
-
-    优先使用传入参数，若未提供则回退到环境变量 QDRANT_URL 和 QDRANT_API_KEY。
-
-    Args:
-        url: Qdrant 服务地址，例如 "http://localhost:6333"。
-             默认从环境变量 QDRANT_URL 读取。
-        api_key: API 密钥（若 Qdrant 启用了认证）。
-                 默认从环境变量 QDRANT_API_KEY 读取。
-        timeout: 请求超时时间（秒），默认 30 秒。
-
-    Returns:
-        配置好的 QdrantClient 实例。
-
-    Raises:
-        ValueError: 如果 url 为空且环境变量也未设置。
-    """
-    effective_url = url or QDRANT_URL
-    if not effective_url:
-        raise ValueError(
-            "Qdrant URL 未提供，请设置参数 url 或环境变量 QDRANT_URL"
-        )
-
-    effective_api_key = api_key or QDRANT_API_KEY
-
-    client_kwargs = {
-        "url": effective_url,
-        "timeout": timeout,
-    }
-    if effective_api_key:
-        client_kwargs["api_key"] = effective_api_key
-
-    return QdrantClient(**client_kwargs)
-
-
 def create_base_retriever(
     collection_name: str,
-    embeddings: Embeddings,
-    search_kwargs: Optional[Dict[str, Any]] = None,
-    client: Optional[QdrantClient] = None,
+    search_kwargs: Dict[str, Any] | None = None,
+    client: QdrantClient | None = None,
 ) -> BaseRetriever:
     """
     创建基础向量检索器（仅稠密向量检索）。
@@ -94,7 +53,6 @@ def create_base_retriever(
 
     Args:
         collection_name: Qdrant 集合名称（需预先创建并索引）。
-        embeddings: LangChain 兼容的嵌入模型实例。
         search_kwargs: 搜索参数，可包含：
             - k (int): 返回的文档数量，默认 20。
             - score_threshold (float): 相似度阈值，仅返回高于此分数的文档。
@@ -108,6 +66,10 @@ def create_base_retriever(
     Raises:
         ValueError: 如果集合不存在或嵌入模型无效。
     """
+    # 嵌入模型
+    embedder = LlamaCppEmbedder()
+    embeddings = embedder.as_langchain_embeddings()
+
     # 合并默认搜索参数
     merged_search_kwargs = {"k": DEFAULT_SEARCH_K}
     if search_kwargs:
@@ -115,7 +77,7 @@ def create_base_retriever(
 
     # 创建或复用 Qdrant 客户端
     if client is None:
-        client = create_qdrant_client()
+        client = create_core_qdrant_client()
 
     # 验证集合是否存在（可选，便于提前发现问题）
     try:
@@ -140,11 +102,10 @@ def create_base_retriever(
 
 def create_hybrid_retriever(
     collection_name: str,
-    embeddings: Embeddings,
     dense_k: int = 10,
     sparse_k: int = 10,
-    score_threshold: Optional[float] = DEFAULT_SCORE_THRESHOLD,
-    client: Optional[QdrantClient] = None,
+    score_threshold: float | None = DEFAULT_SCORE_THRESHOLD,
+    client: QdrantClient | None = None,
 ) -> BaseRetriever:
     """
     创建混合检索器（稠密向量 + BM25 稀疏向量）。
@@ -157,7 +118,6 @@ def create_hybrid_retriever(
 
     Args:
         collection_name: Qdrant 集合名称。
-        embeddings: 嵌入模型（用于稠密向量）。
         dense_k: 稠密向量检索返回数量，默认 10。
         sparse_k: 稀疏向量检索返回数量，默认 10。
         score_threshold: 相似度阈值，默认 0.3。
@@ -177,7 +137,6 @@ def create_hybrid_retriever(
     # 复用基础检索器创建逻辑，只需调整搜索参数
     return create_base_retriever(
         collection_name=collection_name,
-        embeddings=embeddings,
         search_kwargs=search_kwargs,
         client=client,
     )
@@ -186,9 +145,8 @@ def create_hybrid_retriever(
 # 可选：提供异步友好的辅助函数
 async def acreate_base_retriever(
     collection_name: str,
-    embeddings: Embeddings,
-    search_kwargs: Optional[Dict[str, Any]] = None,
-    client: Optional[QdrantClient] = None,
+    search_kwargs: Dict[str, Any] | None = None,
+    client: QdrantClient | None = None,
 ) -> BaseRetriever:
     """
     异步创建基础向量检索器（与同步版本功能相同）。
@@ -196,4 +154,4 @@ async def acreate_base_retriever(
     适用于需要异步初始化的场景（例如在 FastAPI 启动事件中）。
     """
     # 由于 QdrantVectorStore 初始化本身是同步的，这里直接调用同步版本即可
-    return create_base_retriever(collection_name, embeddings, search_kwargs, client)
+    return create_base_retriever(collection_name, search_kwargs, client)