ailine/rag_indexer

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。

📊 系统工作流示意图

graph TD
    A[原始文档集合 <br> PDF / Word / Markdown] --> B(文档加载器 DocumentLoader)
    B --> C{文本切分策略 Splitter}
    
    C -->|基础策略| D1[固定字符长度切分 <br> Recursive Split]
    C -->|进阶策略| D2[语义边界切分 <br> Semantic Chunking]
    C -->|高级策略| D3[父子文档切分 <br> Parent-Child / Auto-merging]
    
    D1 & D2 & D3 --> E[向量化 Embedder <br> llama.cpp: embeddinggemma]
    
    E --> F[(Qdrant 向量数据库)]
    
    subgraph "元数据管理"
    G[提取作者、日期、页码等元数据 Metadata] -.附加.-> E
    end

---

🎯 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_splitter 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_experimental.text_splitter 导入 SemanticChunker。
  • 实例化时需要传入你已经配置好的 Embedding 模型实例（如基于 OpenAIEmbeddings 封装的 llama.cpp 本地模型），并设置 breakpoint_threshold_type="percentile" 等阈值参数。

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 词)”，随后将父块细切为较小的“子块 (Child Chunk, 约 200 词)”。
  • 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内存或 Document Store (如 KV 数据库) 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.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 LocalFileStore (默认) 或 PostgresDocStore 作为 docstore。
  • 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。使用同步连接池，避免异步复杂度。

• 实现步骤:

  1. 安装依赖: pip install psycopg2-binary
  2. 配置连接: 设置 DB_URI 环境变量或直接在代码中指定 PostgreSQL 连接字符串
  3. 创建 docstore: 使用 PostgresDocStore 类直接创建
  4. 注入到 IndexBuilder: 在创建 IndexBuilder 时通过 docstore 参数注入

• 使用示例:

  from rag_indexer.docstore_manager import PostgresDocStore
  from rag_indexer.builder import IndexBuilder, SplitterType
  
  # 创建 PostgreSQL docstore
  docstore = PostgresDocStore(
      connection_string="postgresql://user:pass@host:5432/db",
      table_name="parent_documents"
  )
  
  # 创建 IndexBuilder 并注入 docstore
  builder = IndexBuilder(
      collection_name="rag_documents",
      splitter_type=SplitterType.PARENT_CHILD,
      docstore=docstore,
      parent_chunk_size=1000,
      child_chunk_size=200,
  )
  

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: 使用递归字符切分创建大块（约1000词），提供完整的上下文背景
  • 子块切分: 使用语义动态切分创建小块（约200词），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:

  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: RAG-Fusion (多路改写与倒数排名融合)

• 核心优势: 通过大模型发散思维，将单一问题改写为多个相似问题，扩大搜索面，再利用数学统计算法合并结果，提高检索的全面性和准确性。
• 实现原理:
  1. 多路查询改写: 利用LLM将原始查询改写成3-5个不同表述的查询，从不同角度表达相同意图
  2. 倒数排名融合 (RRF): 对每个改写查询的结果进行RRF融合，公式为 $RRF_score(d) = \sum_{q \in Q} \frac{1}{k + rank_q(d)}$，避免单一检索结果主导
  3. 结果去重: 对融合后的结果进行去重，确保返回的文档唯一
• 使用示例:

  from rag_indexer.builder import IndexBuilder, SplitterType
  from langchain_openai import OpenAI
  
  # 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",
  )
  
  # 创建语言模型用于查询改写
  llm = OpenAI(
      openai_api_base="http://localhost:8000/v1",
      openai_api_key="no-key-needed",
      model_name="Qwen2.5-7B-Instruct",
      temperature=0.3,
  )
  
  # 使用 RAG-Fusion 检索
  query = "如何申请项目资金？"
  results = builder.retrieve_with_fusion(
      query=query,
      llm=llm,
      num_queries=3,
      k=5,
      return_parent=True
  )
  

• 配置参数:
  • llm: 语言模型实例，用于查询改写
  • num_queries: 生成的查询数量，建议3-5个
  • k: 返回的文档数量
  • return_parent: 是否返回父块上下文

Level 5: GraphRAG 与 多模态 (Graph & Multi-modal)

• 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）。
• 实现指南:
  • 使用本地的大模型（如 Gemma-4-E2B）配合 langchain_community.graphs 模块。
  • 利用 LLMGraphTransformer 组件，在读取文档时，通过预设的 Prompt 强制大模型提取出实体（Node）和关系（Edge），直接写入诸如 Neo4j 这样的图数据库中，而非传统的 Qdrant 向量库。

---

所需依赖与安装

为了支持完整的文档解析和 Qdrant 写入，需要安装以下 Python 包：

# 基础核心库
pip install langchain langchain-core langchain-openai langchain-qdrant

# 用于复杂文档解析 (PDF, Word, Excel 等)
pip install unstructured pdf2image pdfminer.six

# 用于语义分块 (可选)
pip install langchain-experimental

# 用于 PostgreSQL 存储 (可选，用于 Parent-Child 策略)
pip install psycopg2-binary

# 用于 RAG-Fusion (可选，需要语言模型)
pip install langchain-openai

---

📂 架构与文件结构设计

在 rag_indexer/ 目录下，需创建以下核心文件：

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、Parent-Child 切分逻辑
├── 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
├── docstore_manager.py   # 文档存储管理器，支持 LocalFileStore 和 PostgreSQL
└── builder.py            # 核心编排文件，将上述模块串联成 Pipeline

---

🔄 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.add_documents()│
                    │  ┌─────────────────────────────────┐   │
                    │  │   parent_splitter (粗切)         │   │
                    │  │   父块 ~1000 词                  │   │
                    │  └────────────┬────────────────────┘   │
                    │               │                         │
                    │  ┌────────────▼────────────────────┐    │
                    │  │   child_splitter (细切)         │    │
                    │  │   子块 ~200 词                  │    │
                    │  └────────────┬────────────────────┘    │
                    │               │                         │
                    │    ┌──────────┴──────────┐              │
                    │    ▼                      ▼              │
                    │  子块向量                 父块原始内容    │
                    │    │                      │              │
                    │    ▼                      ▼              │
                    │  ┌────────────┐  ┌─────────────────┐    │
                    │  │vector_store│  │  docstore_manager│    │
                    │  │  (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/Parent-Child）	SplitterType, get_splitter()
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
docstore_manager.py	父文档存储（PostgreSQL/本地文件）	PostgresDocStore, get_docstore()

调用顺序

1. 创建 IndexBuilder（入口）

from rag_indexer.builder import IndexBuilder, SplitterType

builder = IndexBuilder(
    collection_name="my_docs",
    splitter_type=SplitterType.PARENT_CHILD,
    qdrant_url="http://localhost:6333",
    parent_chunk_size=1000,
    child_chunk_size=200,
)

2. 构建索引

# 方式A：从单个文件构建
builder.build_from_file("/path/to/document.pdf")

# 方式B：从目录批量构建
builder.build_from_directory("/path/to/docs/")

3. 检索（获取完整父块上下文）

# 检索时返回完整父块
results = builder.search_with_parent_context("查询内容")

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

在你的 LangGraph 系统外，创建一个执行脚本 scripts/run_indexer.py：

# 终端执行，将本地的 PDF 手册刷入向量数据库
export QDRANT_URL="http://115.190.121.151:6333"
python scripts/run_indexer.py --file 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。