281 lines
14 KiB
Markdown
281 lines
14 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。
|
||
|
||
## 🎯 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。
|
||
|
||
### 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_text_splitters` 导入 `TextSplitter` 作为基类。
|
||
- 从 `langchain_experimental.text_splitter` 导入 `SemanticChunker`。
|
||
- 实现 `SemanticChunkerAdapter` 继承 `TextSplitter`，解决类型不兼容问题。
|
||
- 实例化时需要传入你已经配置好的 Embedding 模型实例（如基于 `LlamaCppEmbedder` 封装的本地模型）。
|
||
|
||
### 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，你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。
|
||
|
||
### 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
|
||
|
||
- **使用示例**:
|
||
```python
|
||
from rag_indexer.builder import IndexBuilder, SplitterType
|
||
|
||
# 创建 IndexBuilder
|
||
builder = IndexBuilder(
|
||
collection_name="rag_documents",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
docstore_conn_string="postgresql://user:pass@host:5432/db",
|
||
)
|
||
```
|
||
|
||
### 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
|
||
- **使用示例**:
|
||
```python
|
||
from rag_indexer.builder import IndexBuilder, SplitterType
|
||
|
||
# 创建 IndexBuilder，结合语义切分与父子块策略
|
||
builder = IndexBuilder(
|
||
collection_name="rag_documents",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
# 父子块配置
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
# 子块使用语义切分
|
||
child_splitter_type=SplitterType.SEMANTIC,
|
||
# PostgreSQL 存储配置
|
||
docstore_conn_string="postgresql://user:pass@host:5432/db",
|
||
)
|
||
```
|
||
- **配置参数**:
|
||
- `child_splitter_type`: 子块切分器类型，可选 `SplitterType.RECURSIVE`（默认）或 `SplitterType.SEMANTIC`
|
||
- 当使用语义切分时，系统会自动使用已配置的 Embedding 模型进行句子级相似度计算
|
||
|
||
### 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-E2B`）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
|
||
|
||
### 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
|
||
|
||
---
|
||
|
||
## 📂 架构与文件结构设计
|
||
|
||
```
|
||
rag_indexer/
|
||
├── __init__.py
|
||
├── loaders.py # 负责调用 unstructured 解析不同类型文件
|
||
├── splitters.py # 负责实现 Recursive、Semantic 切分逻辑及适配器
|
||
├── embedders.py # 封装本地 llama.cpp 交互的 Embedding 接口
|
||
├── vector_store.py # 封装 Qdrant 写入、Upsert、Collection 初始化操作
|
||
├── builder.py # 核心编排文件，将上述模块串联成 Pipeline
|
||
├── cli.py # 命令行入口
|
||
└── store/
|
||
├── __init__.py
|
||
├── factory.py # docstore 工厂函数
|
||
└── postgres.py # PostgreSQL DocStore 实现
|
||
```
|
||
|
||
---
|
||
|
||
## 🔄 工作流程详解
|
||
|
||
### 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) │ │
|
||
│ └────────────┘ └─────────────────┘ │
|
||
└─────────────────────────────────────────┘
|
||
```
|
||
|
||
### 文件职责详解
|
||
|
||
| 文件 | 职责 | 关键类/函数 |
|
||
|------|------|------------|
|
||
| **builder.py** | 核心编排，负责串联整个流程 | `IndexBuilder` |
|
||
| **loaders.py** | 解析各种文档格式（PDF、Word、TXT等） | `DocumentLoader` |
|
||
| **splitters.py** | 文本切分策略（Recursive/Semantic）及适配器 | `SplitterType`, `get_splitter()`, `SemanticChunkerAdapter` |
|
||
| **embedders.py** | 向量化（封装 llama.cpp embedding 接口） | `LlamaCppEmbedder` |
|
||
| **vector_store.py** | Qdrant 向量数据库操作 | `QdrantVectorStore` |
|
||
| **store/postgres.py** | PostgreSQL DocStore 实现 | `PostgresDocStore` |
|
||
| **store/factory.py** | docstore 工厂函数 | `create_docstore()` |
|
||
|
||
### 核心实现细节
|
||
|
||
#### 1. 文本切分
|
||
- **递归切分**: 使用 `langchain_text_splitters.RecursiveCharacterTextSplitter`，支持中文分隔符
|
||
- **语义切分**: 使用 `langchain_experimental.text_splitter.SemanticChunker`，通过 `SemanticChunkerAdapter` 适配 `TextSplitter` 接口
|
||
- **父子块策略**: 父块使用递归切分（1000字符），子块可选择递归或语义切分（200字符）
|
||
|
||
#### 2. 向量化
|
||
- **Embedding API**: 使用 `LlamaCppEmbedder` 封装本地 llama.cpp 服务，支持 `embed_documents` 和 `embed_query` 方法
|
||
- **向量维度**: 自动检测模型维度（默认 2560），创建对应大小的 Qdrant 集合
|
||
|
||
#### 3. 向量存储
|
||
- **Qdrant 集成**: 使用 `langchain_qdrant.QdrantVectorStore` 作为底层存储
|
||
- **集合管理**: 自动创建/复用集合，支持 `force_recreate` 参数
|
||
- **批量写入**: 支持 `batch_size` 参数，避免单次请求过大
|
||
|
||
#### 4. 文档存储
|
||
- **PostgreSQL**: 使用 `PostgresDocStore` 持久化存储父块，支持异步连接池
|
||
- **数据映射**: 通过 UUID 将子块与父块关联，检索时返回完整父块
|
||
|
||
### 调用顺序
|
||
|
||
#### 1. 创建 IndexBuilder（入口）
|
||
|
||
```python
|
||
from rag_indexer.builder import IndexBuilder, SplitterType
|
||
|
||
builder = IndexBuilder(
|
||
collection_name="my_docs",
|
||
splitter_type=SplitterType.PARENT_CHILD,
|
||
parent_chunk_size=1000,
|
||
child_chunk_size=200,
|
||
docstore_conn_string="postgresql://user:pass@host:5432/db",
|
||
)
|
||
```
|
||
|
||
#### 2. 构建索引
|
||
|
||
```python
|
||
import asyncio
|
||
|
||
# 方式A：从单个文件构建
|
||
async def main():
|
||
count = await builder.build_from_file("/path/to/document.pdf")
|
||
print(f"已索引 {count} 个块")
|
||
|
||
# 方式B：从目录批量构建
|
||
async def main():
|
||
count = await builder.build_from_directory("/path/to/docs/")
|
||
print(f"已索引 {count} 个块")
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
#### 3. 检索（获取完整父块上下文）
|
||
|
||
```python
|
||
import asyncio
|
||
|
||
async def main():
|
||
# 检索时返回完整父块
|
||
results = await builder.search_with_parent_context("查询内容", k=5)
|
||
for doc in results:
|
||
print(doc.page_content)
|
||
|
||
asyncio.run(main())
|
||
```
|
||
|
||
### 检索流程
|
||
|
||
```
|
||
1. vector_store.similarity_search() → 从 Qdrant 找到相关子块
|
||
2. retriever.get_relevant_documents() → 根据子块 ID 获取对应父块
|
||
3. 返回完整父块给用户
|
||
```
|
||
|
||
---
|
||
|
||
### 串联与触发方式
|
||
使用 `cli.py` 入口脚本：
|
||
|
||
```bash
|
||
# 设置环境变量
|
||
export QDRANT_URL="http://115.190.121.151:6333"
|
||
export QDRANT_API_KEY="your-api-key"
|
||
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/tech_manual.pdf
|
||
```
|
||
|
||
这相当于系统后台的**"离线学习阶段"**，你可以随时挂载定时任务去扫描文件夹，增量更新知识库。
|