测试修改

test/test_rag.py

@@ -0,0 +1,142 @@
+#!/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 pydantic import SecretStr
+from langchain_openai import ChatOpenAI
+from rag_indexer.index_builder import IndexBuilderConfig
+from rag_indexer.splitters import SplitterType
+from backend.app.rag.pipeline import RAGPipeline
+from backend.app.rag.tools import create_rag_tool_sync
+from backend.rag_core.retriever_factory import create_parent_retriever
+
+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 = 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())

test/test_rag_indexer_result.py

@@ -40,42 +40,7 @@ async def test_index_builder():
         print(f"集合信息: {info}")
     else:
         print(f"测试文件不存在: {test_file}")
-    
-    # 测试搜索功能
-    print("\n测试搜索功能...")
-    try:
-        results = builder.search("吕布", k=3)
-        print(f"搜索结果数量: {len(results)}")
-        for i, result in enumerate(results):
-            print(f"\n结果 {i+1}:")
-            print(f"内容: {result.page_content[:100]}...")
-    except Exception as e:
-        print(f"搜索测试失败: {e}")
-    
-    # 测试带父块上下文的搜索
-    print("\n测试带父块上下文的搜索...")
-    try:
-        results = await builder.search_with_parent_context("吕布", k=3)
-        print(f"搜索结果数量: {len(results)}")
-        for i, result in enumerate(results):
-            print(f"\n结果 {i+1}:")
-            print(f"内容: {result.page_content[:100]}...")
-    except Exception as e:
-        print(f"带父块上下文的搜索测试失败: {e}")
-    
-    # 测试统一检索接口
-    print("\n测试统一检索接口...")
-    try:
-        # 返回父块
-        results_parent = await builder.retrieve("吕布", return_parent=True)
-        print(f"返回父块的结果数量: {len(results_parent)}")
-        
-        # 返回子块
-        results_child = await builder.retrieve("吕布", return_parent=False)
-        print(f"返回子块的结果数量: {len(results_child)}")
-    except Exception as e:
-        print(f"统一检索接口测试失败: {e}")
-    
+  
     # 关闭资源
     builder.close()
     print("\n测试完成")