RAG数据库生成

rag_indexer/__init__.py

@@ -1,25 +1,60 @@
 """
 Offline RAG Indexer module.
+
+提供完整的离线索引构建功能，包括：
+- 文档加载（PDF、Word、TXT 等）
+- 文本切分（递归、语义、父子块）
+- 向量嵌入（支持 llama.cpp）
+- 向量存储（Qdrant）
+- 父文档存储（PostgreSQL）
+
+示例用法：
+    >>> from rag_indexer import IndexBuilder, SplitterType
+    >>> 
+    >>> builder = IndexBuilder(
+    ...     collection_name="my_docs",
+    ...     splitter_type=SplitterType.PARENT_CHILD,
+    ...     qdrant_url="http://localhost:6333"
+    ... )
+    >>> 
+    >>> builder.build_from_file("document.pdf")
 """
 
 from .loaders import DocumentLoader
 from .splitters import (
-    RecursiveSplitter,
-    SemanticSplitter,
-    ParentChildSplitter,
     SplitterType,
+    get_splitter,
+    ParentChildSplitter,
 )
 from .embedders import LlamaCppEmbedder
 from .vector_store import QdrantVectorStore
 from .builder import IndexBuilder
 
+# 导出存储相关类（从新的 store 包）
+from .store import (
+    PostgresDocStore,
+    create_docstore,
+)
+
+
+
+__version__ = "2.0.0"
+
 __all__ = [
+    # 核心类
     "DocumentLoader",
-    "RecursiveSplitter",
-    "SemanticSplitter",
-    "ParentChildSplitter",
+    "IndexBuilder",
+    
+    # 切分相关
     "SplitterType",
+    "get_splitter",
+    "ParentChildSplitter",
+    
+    # 嵌入和向量存储
     "LlamaCppEmbedder",
     "QdrantVectorStore",
-    "IndexBuilder",
-]
+    
+    # 存储（新的 store 包）
+    "PostgresDocStore",
+    "create_docstore",
+]