460 lines
19 KiB
Markdown
460 lines
19 KiB
Markdown
# 离线 RAG 索引构建系统 (Offline RAG Indexer)
|
||
|
||
该模块负责 RAG 系统的阶段一：**离线索引构建**。它将外部的非结构化数据（如文档、PDF、网页等）清洗、切分并转化为向量，最终存入向量数据库中。
|
||
|
||
## 🎯 核心架构
|
||
|
||
### 技术栈
|
||
|
||
| 组件 | 技术选型 | 版本 | 说明 |
|
||
|:-----|:---------|:-----|:-----|
|
||
| **文档解析** | `unstructured` | 0.22+ | 多格式文档解析（PDF/DOCX/TXT等） |
|
||
| **文本切分** | `langchain-text-splitters` | 内置 | 递归字符切分 + 语义切分 |
|
||
| **语义切分** | `langchain-experimental` | 内置 | `SemanticChunker` 基于句子相似度 |
|
||
| **嵌入模型** | `llama.cpp` | 本地服务 | `embeddinggemma-300M` GGUF 模型 |
|
||
| **向量数据库** | `Qdrant` | 1.17+ | HNSW 索引，支持稠密/稀疏向量 |
|
||
| **文档存储** | `PostgreSQL` | 16+ | 异步连接池，持久化父块 |
|
||
| **编排框架** | `asyncio` | Python 3.10+ | 异步批量处理与重试 |
|
||
|
||
### 数据流向总览
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ builder.py │
|
||
│ IndexBuilder 入口 │
|
||
└──────────────────────┬──────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ loaders.py │
|
||
│ DocumentLoader.load_file() │
|
||
│ → 返回 List[Document] │
|
||
└──────────────────────┬──────────────────────────────────────┘
|
||
│
|
||
▼
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ ParentDocumentRetriever │
|
||
│ ┌─────────────────────────────────────────────────────┐ │
|
||
│ │ parent_splitter (粗切) │ │
|
||
│ │ 父块 ~1000 字符 │ │
|
||
│ └──────────────────────┬──────────────────────────────┘ │
|
||
│ │ │
|
||
│ ┌──────────────────────▼──────────────────────────────┐ │
|
||
│ │ child_splitter (细切) │ │
|
||
│ │ 子块 ~200 字符 │ │
|
||
│ └──────────────────────┬──────────────────────────────┘ │
|
||
│ │ │
|
||
│ ┌─────────────┴─────────────┐ │
|
||
│ ▼ ▼ │
|
||
│ ┌─────────────┐ ┌─────────────────┐ │
|
||
│ │ 子块向量 │ │ 父块原始内容 │ │
|
||
│ │ │ │ │ │
|
||
│ ▼ │ ▼ │ │
|
||
│ ┌────────────┐ │ ┌─────────────────┐ │ │
|
||
│ │vector_store│ │ │ store/ │ │ │
|
||
│ │ (Qdrant) │ │ │ (PostgreSQL) │ │ │
|
||
│ └──────────── │ └─────────────────┘ │ │
|
||
└─────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 技术特性
|
||
|
||
- ✅ **多格式支持**：PDF、DOCX、TXT、MD、HTML、PPTX、XLSX、JSON
|
||
- ✅ **三种切分策略**：递归字符切分、语义切分、父子块策略
|
||
- ✅ **Parent-Child 架构**：子块精准检索，父块完整上下文
|
||
- ✅ **PostgreSQL DocStore**：持久化存储父块，支持异步连接池
|
||
- ✅ **批量写入与重试**：自动处理网络波动，确保索引完整性
|
||
- ✅ **上下文管理器**：支持同步/异步资源管理
|
||
|
||
## 📂 架构与文件结构
|
||
|
||
```
|
||
rag_indexer/
|
||
├── __init__.py
|
||
├── cli.py # 命令行入口
|
||
├── index_builder.py # 索引构建主流水线
|
||
├── loaders.py # 文档加载器（多格式支持）
|
||
├── splitters.py # 文本切分器（递归/语义/父子块）
|
||
├── embedders.py # 嵌入模型封装
|
||
├── vector_store.py # Qdrant 向量存储
|
||
├── store/
|
||
│ ├── __init__.py
|
||
│ ├── factory.py # DocStore 工厂函数
|
||
│ └── postgres.py # PostgreSQL DocStore 实现
|
||
└── test/ # 测试脚本
|
||
```
|
||
|
||
## 🎯 演进路线与核心算法 (Roadmap)
|
||
|
||
### Level 1: 基础暴力切分 (Basic Recursive Splitting)
|
||
|
||
- **核心算法**: 递归字符切分。它按照预定义的分隔符列表（如 `["\n\n", "\n", "。", "！", "？", " ", ""]`）从大到小尝试切分文本，直到每块的大小满足最大长度限制。
|
||
- **优缺点**: 实现极简单，速度快。但非常容易将一句话拦腰截断，导致上下文语义丢失。
|
||
- **实现指南**:
|
||
- 从 `langchain_text_splitters` 导入 `RecursiveCharacterTextSplitter`
|
||
- 实例化时设置 `chunk_size`（如 500）和 `chunk_overlap`（如 50）
|
||
- 直接调用 `.split_documents(raw_docs)` 方法
|
||
|
||
```python
|
||
from langchain_text_splitters import RecursiveCharacterTextSplitter
|
||
|
||
splitter = RecursiveCharacterTextSplitter(
|
||
chunk_size=500,
|
||
chunk_overlap=50,
|
||
separators=["\n\n", "\n", "。", "！", "？", " ", ""]
|
||
)
|
||
chunks = splitter.split_documents(documents)
|
||
```
|
||
|
||
### Level 2: 语义动态切分 (Semantic Chunking)
|
||
|
||
- **核心算法**: 句子级相似度阈值算法。
|
||
1. 将文章按标点符号按句子拆分
|
||
2. 使用轻量级 Embedding 模型将每一句向量化
|
||
3. 计算相邻两句之间的余弦相似度 (Cosine Similarity)
|
||
4. 当相似度低于设定阈值时（说明两句话讲的不是同一件事，语义发生了转折），在此处"切断"形成一个新的块
|
||
- **优缺点**: 极大程度保留了段落内语义的连贯性，对 LLM 回答非常友好。但由于在切分阶段就需要调用向量模型，耗时略长。
|
||
- **实现指南**:
|
||
- 从 `langchain_experimental.text_splitter` 导入 `SemanticChunker`
|
||
- 实现 `SemanticChunkerAdapter` 继承 `TextSplitter`，解决类型不兼容问题
|
||
- 实例化时需要传入已配置好的 Embedding 模型实例
|
||
|
||
```python
|
||
from langchain_experimental.text_splitter import SemanticChunker
|
||
|
||
chunker = SemanticChunker(
|
||
embeddings=embeddings,
|
||
breakpoint_threshold_type="percentile",
|
||
breakpoint_threshold_amount=95,
|
||
min_chunk_size=100
|
||
)
|
||
chunks = chunker.split_documents(documents)
|
||
```
|
||
|
||
### Level 3: 高级父子块策略 (Parent-Child / Auto-merging)
|
||
|
||
- **核心算法**: 层次化双重存储与映射。
|
||
- **切分机制**: 首先将文档粗切为较大的"父块 (Parent Chunk, 约 1000 字符)"，随后将父块细切为较小的"子块 (Child Chunk, 约 200 字符)"
|
||
- **存储机制**: 仅仅将**子块**的向量存入 Qdrant 用于精准计算距离；将**父块**的原始内容存在 PostgreSQL DocStore 中，通过 UUID 相互映射
|
||
- **核心思路**: 解决 RAG 领域经典的矛盾——检索时块越小越容易精确命中（去除噪声）；但生成回答时，块越大越能给大模型提供充足的上下文背景。
|
||
- **实现指南**:
|
||
- 使用 `langchain_classic.retrievers` 中的 `ParentDocumentRetriever` 模块
|
||
- 在写入时，需要同时准备一个底层的 `VectorStore` (即 Qdrant) 和一个 `BaseStore`
|
||
- **推荐方案**: 使用 `PostgresDocStore` 作为 docstore，支持持久化存储
|
||
- 将两种不同的 `TextSplitter` 分别赋值给检索器的 `child_splitter` 和 `parent_splitter`，然后调用 `.add_documents()` 即可让系统自动完成映射
|
||
|
||
```python
|
||
from langchain.retrievers import ParentDocumentRetriever
|
||
|
||
retriever = ParentDocumentRetriever(
|
||
vectorstore=qdrant_store,
|
||
docstore=postgres_docstore,
|
||
parent_splitter=parent_splitter,
|
||
child_splitter=child_splitter,
|
||
)
|
||
await retriever.aadd_documents(documents)
|
||
```
|
||
|
||
### Level 3.1: PostgreSQL DocStore 集成
|
||
|
||
- **核心优势**: 利用 PostgreSQL 作为持久化存储，适合生产环境。使用异步连接池，支持高并发。
|
||
- **实现步骤**:
|
||
1. **配置连接**: 设置 `DB_URI` 环境变量或通过 `docstore_conn_string` 参数指定
|
||
2. **创建 docstore**: 使用 `rag_indexer.store.create_docstore()` 工厂函数
|
||
3. **注入到 IndexBuilder**: 通过构造函数参数注入
|
||
|
||
```python
|
||
from rag_indexer.store import create_docstore
|
||
|
||
docstore, conn_info = create_docstore(
|
||
connection_string="postgresql://user:pass@host:5432/db",
|
||
pool_config={"min_size": 5, "max_size": 20},
|
||
)
|
||
```
|
||
|
||
### Level 3.2: 语义切分与父子块策略结合
|
||
|
||
- **核心优势**: 结合语义切分的连贯性和父子块策略的层次化存储优势，实现更精准的检索和更丰富的上下文。
|
||
- **实现原理**:
|
||
- **父块切分**: 使用 `RecursiveCharacterTextSplitter` 创建大块（约1000字符），提供完整的上下文背景
|
||
- **子块切分**: 使用 `SemanticChunkerAdapter` 创建小块，根据语义连贯性动态切分，提高检索精度
|
||
- **存储机制**: 子块向量存入 Qdrant 用于精准检索，父块内容存入 PostgreSQL 提供完整上下文
|
||
|
||
```python
|
||
from rag_indexer.index_builder import IndexBuilder, IndexBuilderConfig
|
||
from rag_indexer.splitters import SplitterType
|
||
|
||
config = IndexBuilderConfig(
|
||
collection_name="rag_documents",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
child_splitter_type=SplitterType.SEMANTIC, # 子块使用语义切分
|
||
docstore=DocstoreConfig(
|
||
connection_string="postgresql://user:pass@host:5432/db",
|
||
),
|
||
)
|
||
```
|
||
|
||
### Level 4: GraphRAG（基于图和关系的 RAG）
|
||
|
||
- **核心算法**: LLM 实体关系抽取 (NER & Relation Extraction)。
|
||
- **核心思路**: 解决传统纯向量检索难以处理"跨文档复杂关系推理"的痛点（如：A公司的CEO是谁？他名下的B公司主要业务是什么？这种需要横跨多页 PDF 的跳跃性问题）。
|
||
- **实现原理**:
|
||
1. **实体提取**: 利用 LLM 从文档中提取实体（如人物、组织、地点、事件等）
|
||
2. **关系抽取**: 识别实体之间的关系（如"CEO of"、"founded by"、"located in"等）
|
||
3. **图构建**: 将实体作为节点，关系作为边，构建知识图谱
|
||
4. **混合检索**: 结合向量检索和图查询，同时利用语义相似性和结构关系
|
||
- **技术栈**:
|
||
- **图数据库**: Neo4j 或 RedisGraph
|
||
- **LLM 工具**: `LLMGraphTransformer` 或自定义 Prompt
|
||
- **集成方式**: 与向量存储并行，形成混合检索系统
|
||
- **实现指南**:
|
||
- 使用 `langchain_community.graphs` 模块
|
||
- 配置本地大模型（如 `Gemma-4-E4B`）用于实体关系抽取
|
||
- 构建包含实体和关系的图结构，存储到图数据库
|
||
- 实现混合检索逻辑，结合向量相似度和图路径分析
|
||
|
||
```python
|
||
from langchain_community.graphs import Neo4jGraph
|
||
from langchain_experimental.graph_transformers import LLMGraphTransformer
|
||
|
||
# 实体关系抽取
|
||
transformer = LLMGraphTransformer(llm=local_llm)
|
||
graph_documents = transformer.convert_to_graph_documents(documents)
|
||
|
||
# 存储到图数据库
|
||
graph.add_graph_documents(graph_documents)
|
||
```
|
||
|
||
### Level 5: 多模态 RAG (Multi-modal RAG)
|
||
|
||
- **核心算法**: 跨模态嵌入和多模态融合。
|
||
- **核心思路**: 突破纯文本限制，支持图像、表格、音频等多种数据类型的理解和检索。
|
||
- **实现原理**:
|
||
1. **多模态嵌入**: 使用 CLIP 等模型将不同模态数据映射到统一向量空间
|
||
2. **多模态索引**: 为不同类型的内容创建专用索引
|
||
3. **跨模态检索**: 支持以文搜图、以图搜文等跨模态查询
|
||
- **技术栈**:
|
||
- **多模态模型**: CLIP、BLIP 等
|
||
- **存储**: 向量数据库 + 对象存储
|
||
- **检索**: 混合向量检索
|
||
|
||
## 🔧 核心组件详解
|
||
|
||
### 1. 文档加载器 (loaders.py)
|
||
|
||
使用 `unstructured` 库解析多种文件格式。
|
||
|
||
**支持格式**：PDF、DOCX、DOC、TXT、MD、HTML、PPTX、XLSX、JSON
|
||
|
||
```python
|
||
from rag_indexer.loaders import DocumentLoader
|
||
|
||
loader = DocumentLoader(
|
||
strategy="auto", # 解析策略：auto/fast/hi_res/ocr_only
|
||
ocr_languages=["chi_sim", "eng"], # OCR 语言
|
||
languages=["zh"], # 文档主语言
|
||
extract_images=False, # 是否提取图片
|
||
pdf_infer_table_structure=True, # 是否识别表格
|
||
)
|
||
|
||
# 加载单个文件
|
||
docs = loader.load_file("document.pdf")
|
||
|
||
# 加载整个目录
|
||
docs = loader.load_directory("./docs/", recursive=True)
|
||
```
|
||
|
||
### 2. 文本切分器 (splitters.py)
|
||
|
||
提供三种切分策略：
|
||
|
||
**递归字符切分**：
|
||
```python
|
||
from rag_indexer.splitters import SplitterType, get_splitter
|
||
|
||
splitter = get_splitter(
|
||
SplitterType.RECURSIVE,
|
||
chunk_size=500,
|
||
chunk_overlap=50,
|
||
)
|
||
```
|
||
|
||
**语义切分**：
|
||
```python
|
||
splitter = get_splitter(
|
||
SplitterType.SEMANTIC,
|
||
embeddings=embeddings,
|
||
breakpoint_threshold_type="percentile",
|
||
min_chunk_size=100,
|
||
)
|
||
```
|
||
|
||
**父子块策略**：在 `IndexBuilder` 中自动配置。
|
||
|
||
### 3. 索引构建器 (index_builder.py)
|
||
|
||
核心编排模块，串联整个索引构建流程。
|
||
|
||
```python
|
||
from rag_indexer.index_builder import IndexBuilder, IndexBuilderConfig, DocstoreConfig
|
||
from rag_indexer.splitters import SplitterType
|
||
|
||
# 配置
|
||
config = IndexBuilderConfig(
|
||
collection_name="rag_documents",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
child_splitter_type=SplitterType.SEMANTIC,
|
||
docstore=DocstoreConfig(
|
||
connection_string="postgresql://user:pass@host:5432/db",
|
||
),
|
||
)
|
||
|
||
# 构建索引
|
||
async with IndexBuilder(config) as builder:
|
||
# 从单个文件构建
|
||
count = await builder.build_from_file("document.pdf")
|
||
|
||
# 或从目录批量构建
|
||
count = await builder.build_from_directory("./docs/")
|
||
|
||
print(f"已索引 {count} 个文档")
|
||
```
|
||
|
||
### 4. 向量存储 (vector_store.py)
|
||
|
||
封装 Qdrant 向量数据库操作。
|
||
|
||
```python
|
||
from rag_core import QdrantVectorStore
|
||
|
||
vector_store = QdrantVectorStore(
|
||
collection_name="rag_documents",
|
||
embeddings=embeddings,
|
||
)
|
||
|
||
# 创建集合
|
||
vector_store.create_collection()
|
||
|
||
# 添加文档
|
||
vector_store.add_documents(chunks)
|
||
```
|
||
|
||
### 5. PostgreSQL DocStore (store/postgres.py)
|
||
|
||
持久化存储父块内容，支持异步连接池。
|
||
|
||
```python
|
||
from rag_core.store import create_docstore
|
||
|
||
docstore, conn_info = create_docstore(
|
||
connection_string="postgresql://user:pass@host:5432/db",
|
||
pool_config={"min_size": 5, "max_size": 20},
|
||
)
|
||
```
|
||
|
||
## 📊 切分策略对比
|
||
|
||
| 策略 | 原理 | 优点 | 缺点 | 适用场景 |
|
||
|:-----|:-----|:-----|:-----|:---------|
|
||
| **递归字符** | 按分隔符递归切分 | 速度快，实现简单 | 可能截断语义 | 简单文档 |
|
||
| **语义切分** | 基于句子相似度阈值 | 语义连贯性好 | 需要 Embedding 模型 | 专业文档 |
|
||
| **父子块** | 大块存储+小块检索 | 检索精准+上下文完整 | 存储复杂度高 | 生产环境 |
|
||
|
||
## 🚀 快速开始
|
||
|
||
### 命令行方式
|
||
|
||
```bash
|
||
# 设置环境变量
|
||
export QDRANT_URL="http://115.190.121.151:6333"
|
||
export DB_URI="postgresql://postgres:password@host:5432/langgraph_db?sslmode=disable"
|
||
|
||
# 执行索引构建
|
||
python -m rag_indexer.cli --path data/user_docs/ --recursive
|
||
```
|
||
|
||
### Python API 方式
|
||
|
||
```python
|
||
import asyncio
|
||
from rag_indexer.index_builder import IndexBuilder, IndexBuilderConfig, DocstoreConfig
|
||
from rag_indexer.splitters import SplitterType
|
||
|
||
async def main():
|
||
config = IndexBuilderConfig(
|
||
collection_name="rag_documents",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
child_splitter_type=SplitterType.SEMANTIC,
|
||
)
|
||
|
||
async with IndexBuilder(config) as builder:
|
||
count = await builder.build_from_directory("./user_docs/")
|
||
print(f"索引构建完成，共处理 {count} 个文档")
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
## ⚙️ 环境配置
|
||
|
||
| 变量名 | 说明 | 默认值 |
|
||
|:-------|:-----|:-------|
|
||
| `QDRANT_URL` | Qdrant 向量数据库地址 | `http://127.0.0.1:6333` |
|
||
| `QDRANT_API_KEY` | Qdrant API 密钥 | - |
|
||
| `DB_URI` | PostgreSQL 连接字符串 | - |
|
||
| `LLAMACPP_EMBEDDING_URL` | Embedding 服务地址 | `http://127.0.0.1:8082/v1` |
|
||
| `LLAMACPP_API_KEY` | llama.cpp API 密钥 | - |
|
||
|
||
## 🔄 与 app/rag 集成
|
||
|
||
- **向量存储**：共享 Qdrant 集合，确保嵌入模型一致
|
||
- **文档存储**：父块存入 PostgreSQL，通过 UUID 与子块关联
|
||
- **集合名称**：默认使用 `rag_documents` 集合
|
||
- **嵌入模型**：使用相同的 `LlamaCppEmbedder` 确保向量空间一致
|
||
|
||
详见 [app/rag/README.md](../app/rag/README.md)
|
||
|
||
## 📝 高级配置
|
||
|
||
### 自定义切分参数
|
||
|
||
```python
|
||
config = IndexBuilderConfig(
|
||
collection_name="my_docs",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1500, # 更大的父块
|
||
child_chunk_size=300, # 更大的子块
|
||
parent_chunk_overlap=150, # 父块重叠
|
||
child_chunk_overlap=30, # 子块重叠
|
||
search_k=10, # 检索返回数量
|
||
)
|
||
```
|
||
|
||
### 批量处理与重试
|
||
|
||
索引构建器内置自动重试机制，处理网络波动：
|
||
|
||
- 最大重试次数：5 次
|
||
- 退避策略：指数退避（2s, 4s, 8s, 16s, 32s）
|
||
- 批量大小：10 个文档/批次
|
||
|
||
### 资源管理
|
||
|
||
```python
|
||
# 方式一：上下文管理器（推荐）
|
||
async with IndexBuilder(config) as builder:
|
||
await builder.build_from_directory("./docs/")
|
||
|
||
# 方式二：手动管理
|
||
builder = IndexBuilder(config)
|
||
try:
|
||
await builder.build_from_directory("./docs/")
|
||
finally:
|
||
await builder.aclose()
|
||
```
|