测试修改

backend/app/rag/test.py

@@ -1,146 +0,0 @@
-#!/usr/bin/env python3
-"""
-RAG 系统使用示例（重构版）
-
-演示：
-1. 使用 IndexBuilder 获取父子块检索器
-2. 创建固定流程的 RAGPipeline（多路改写 → RRF融合 → 重排序 → 返回父文档）
-3. 将流水线封装为 LangChain 工具，供 Agent 调用
-"""
-
-import asyncio
-import sys
-import os
-
-from dotenv import load_dotenv
-
-# 加载环境变量（Qdrant URL、PostgreSQL 连接等）
-load_dotenv()
-
-# 添加项目根目录到路径
-sys.path.insert(0, os.path.join(os.path.dirname(__file__), "../.."))
-
-from rag_indexer.index_builder import IndexBuilderConfig
-from rag_indexer.splitters import SplitterType
-from .pipeline import RAGPipeline
-from .tools import create_rag_tool_sync
-from pydantic import SecretStr
-# 使用本地 LLM（通过 OpenAI 兼容接口）
-from langchain_openai import ChatOpenAI
-from rag_core.retriever_factory import create_parent_retriever
-
-load_dotenv()
-
-def create_llm():
-        """创建本地 vLLM 服务 LLM"""
-        vllm_base_url = os.getenv(
-            "VLLM_BASE_URL",
-            "http://127.0.0.1:8081/v1"
-        )
-        
-        return ChatOpenAI(
-            base_url=vllm_base_url,
-            api_key=SecretStr(os.getenv("LLAMACPP_API_KEY", "token-abc123")),
-            model="gemma-4-E2B-it",
-            timeout=60.0,          # 请求超时时间（秒）
-            max_retries=2,          # 失败后自动重试次数
-            streaming=True,         # 确保开启流式输出
-        )
-
-async def demonstrate_full_pipeline():
-    """
-    完整流水线演示：
-    - 从 IndexBuilder 获取 ParentDocumentRetriever
-    - 创建 RAGPipeline
-    - 执行检索并打印结果
-    """
-    print("=" * 60)
-    print("演示：固定流程 RAG 检索（多路改写 + RRF + 重排序 + 父文档）")
-    print("=" * 60)
-
-    retriever = create_parent_retriever(collection_name="rag_documents", search_k=5)
-
-    if retriever is None:
-        print("错误：检索器未初始化，请确保索引已构建。")
-        return
-
-    # 3. 创建 LLM 用于查询改写
-    llm = create_llm()
-
-    # 4. 创建 RAGPipeline（固定流程）
-    pipeline = RAGPipeline(
-        retriever=retriever,
-        llm=llm,
-        num_queries=3,          # 生成 3 个查询变体
-        rerank_top_n=5,         # 最终返回 5 个父文档
-    )
-
-    # 5. 执行检索
-    query = "打虎英雄是谁？"
-    print(f"\n查询: {query}")
-    print("-" * 40)
-
-    try:
-        documents = await pipeline.aretrieve(query)
-        print(f"返回 {len(documents)} 个父文档\n")
-
-        # 打印结果预览
-        for i, doc in enumerate(documents, 1):
-            content_preview = doc.page_content.replace("\n", " ")[:150]
-            source = doc.metadata.get("source", "未知来源")
-            print(f"{i}. 【来源：{source}】")
-            print(f"   {content_preview}...\n")
-
-        # 可选：格式化完整上下文
-        # context = pipeline.format_context(documents)
-        # print(context)
-
-    except Exception as e:
-        print(f"检索失败: {e}")
-        import traceback
-        traceback.print_exc()
-
-async def demonstrate_tool_creation():
-    """
-    演示创建 RAG 工具（供 Agent 使用）
-    """
-    print("\n" + "=" * 60)
-    print("演示：创建 RAG 工具（供 LangGraph Agent 调用）")
-    print("=" * 60)
-
-    # 1. 获取检索器（同上）
-    config = IndexBuilderConfig(
-        collection_name="rag_documents",
-        splitter_type=SplitterType.PARENT_CHILD,
-    )
-    retriever = retriever = create_parent_retriever(collection_name="rag_documents", search_k=5)
-
-    # 2. 创建 LLM
-    llm = create_llm()
-
-    # 3. 创建工具
-    rag_tool = create_rag_tool_sync(
-        retriever=retriever,
-        llm=llm,
-        num_queries=3,
-        rerank_top_n=5,
-        collection_name="rag_documents",
-    )
-
-    print(f"工具名称: {rag_tool.name}")
-    print(f"工具描述: {rag_tool.description[:100]}...")
-
-    # 4. 模拟 Agent 调用工具
-    query = "请告诉我 打虎英雄是谁？"
-    print(f"\n模拟调用: {query}")
-    print("-" * 40)
-
-    result = await rag_tool.ainvoke({"query": query})
-    print(result[:800] + "..." if len(result) > 800 else result)
-
-async def main():
-    await demonstrate_full_pipeline()
-    await demonstrate_tool_creation()
-
-if __name__ == "__main__":
-    asyncio.run(main())

backend/rag_core/config.py

@@ -6,7 +6,8 @@ RAG Core 配置管理模块
 """
 
 import os
-
+import dotenv
+dotenv.load_dotenv()
 
 # ========== 辅助函数：类型转换 ==========
 def _get_str(key: str) -> str | None:

backend/rag_core/embedders.py

@@ -21,6 +21,9 @@ class LlamaCppEmbedder:
         self.base_url = LLAMACPP_EMBEDDING_URL
         self.api_key = LLAMACPP_API_KEY
         self.model = model
+        print(f"初始化 base_url: { self.base_url}")
+
+
 
     def as_langchain_embeddings(self) -> Embeddings:
         """创建 LangChain 兼容的嵌入实例。"""
@@ -41,13 +44,14 @@ class LlamaCppEmbedder:
 
     def _call_embedding_api(self, texts: List[str]) -> List[List[float]]:
         """直接调用 llama.cpp 嵌入 API。"""
+        headers = {"Content-Type": "application/json"}
+        if self.api_key:
+            headers["Authorization"] = f"Bearer {self.api_key}"
+
         base = self.base_url.rstrip("/")
         if not base.endswith("/v1"):
             base = base + "/v1"
 
-        headers = {"Content-Type": "application/json"}
-        if self.api_key:
-            headers["Authorization"] = f"Bearer {self.api_key}"
 
         payload = {
             "input": texts,