1. 项目概述与核心价值最近在折腾如何让ChatGPT这类大语言模型能“读懂”我自己的文档比如本地的一堆技术笔记、PDF报告或者会议纪要。直接复制粘贴给ChatGPT的Web界面不仅麻烦而且有长度限制更别提隐私问题了。我需要一个能在我自己电脑上运行能快速从我的文件中找到相关信息并给出精准回答的工具。于是我发现了techleadhd/chatgpt-retrieval这个项目它提供了一个极其简洁的起点本质上是一个基于LangChain框架构建的本地文档问答系统。这个项目的核心价值在于其“轻量”和“直指核心”。它没有复杂的Web界面没有花哨的功能就是一个Python脚本帮你完成了从文档加载、文本分割、向量化存储到最终检索回答的完整链路。对于开发者或者有一定技术背景的用户来说它就像一个清晰的“配方”告诉你用哪些原料LangChain, OpenAI API, ChromaDB以及如何按步骤操作就能炒出一盘“私有知识库问答”的菜。它特别适合那些希望快速验证想法、理解RAG检索增强生成技术基础流程或者需要为一个简单但具体的需求比如快速查询个人文档搭建原型的人。如果你对AI应用开发感兴趣想亲手摸一摸从文档到智能回答的每一个齿轮是如何咬合的这个项目是一个绝佳的入门沙盒。2. 核心原理RAG技术拆解要理解这个脚本在做什么我们必须先搞懂它背后的核心技术——检索增强生成。你可以把它想象成一个拥有“短期记忆”和“长期记忆”的助手。ChatGPT本身拥有强大的“长期记忆”即它在训练时学到的海量通用知识但它不记得你昨天刚发给它的文档内容这就是“短期记忆”的缺失。RAG技术就是为了弥补这个缺陷。它的工作流程分为两个核心阶段离线索引和在线检索生成。离线索引阶段就是为你的私人文档建立“记忆库”。这个过程不是简单地把文件存起来而是要进行智能处理。首先脚本会读取你的data.txt或cat.pdf将里面的文本内容提取出来。接着一个关键步骤来了文本分割。为什么不能把整本书直接塞进去因为大语言模型有上下文长度限制比如GPT-3.5-turbo通常是4096个token而且冗长的文本会包含大量无关信息干扰检索精度。因此需要把文档按语义切分成一个个大小适中的“文本块”。之后每个文本块会通过OpenAI的嵌入模型转换为一个高维向量。这个向量就像是这段文本的“数字指纹”语义相近的文本其向量在空间中的距离也会很近。最后所有这些向量指纹被存储到本地的向量数据库ChromaDB中。至此你的文档库就从一个普通的文件夹变成了一个结构化的、可供快速相似性搜索的“向量记忆库”。在线检索生成阶段就是助手回答你问题的过程。当你提问“what is my dog‘s name”时你的问题也会被转换成同一个向量空间中的“问题指纹”。脚本会拿着这个“问题指纹”去ChromaDB这个“记忆库”里进行相似度搜索快速找出与问题最相关的几个“文本块指纹”。这些被检索出来的文本块就是模型的“短期记忆”或“上下文”。然后系统会构造一个这样的提示词给ChatGPT“基于以下上下文请回答问题... [此处插入检索到的相关文本块] ... 问题我的狗叫什么名字” ChatGPT基于你提供的这份精准的“短期记忆”而不是它自己泛泛的“长期记忆”来生成最终答案。这就确保了答案来源于你的指定文档极大地提高了准确性和可控性。注意这里的关键在于模型本身并没有被重新训练或修改它的“知识”没有变。我们只是巧妙地改变了“提问”的方式在问题前附加了最相关的信息。这就像考试时你不是凭空回忆而是被允许带一张写有关键公式的纸条进去答题的准确率自然大幅提升。3. 环境搭建与依赖详解原项目的安装说明只有一行pip install命令但对于一个可复现、稳定的环境来说我们还需要考虑更多。下面是我推荐的标准化搭建流程。3.1 创建并激活虚拟环境首先永远不要在系统全局Python环境里直接安装项目依赖这会引起版本冲突。使用venv创建独立环境是最佳实践。# 1. 克隆项目代码 git clone https://github.com/techleadhd/chatgpt-retrieval.git cd chatgpt-retrieval # 2. 创建虚拟环境假设使用Python3 python3 -m venv venv # 3. 激活虚拟环境 # 在 macOS/Linux 上 source venv/bin/activate # 在 Windows 上 # venv\Scripts\activate # 激活后命令行提示符前通常会显示 (venv)3.2 深入理解并安装依赖包原项目的pip install命令安装了五个包每个都扮演着关键角色pip install langchain openai chromadb tiktoken unstructured我们来拆解一下langchain 核心框架。它像胶水一样把后续所有组件文档加载器、文本分割器、向量库、LLM调用优雅地组装在一起提供了一套高级API让我们无需关注底层复杂的连接逻辑。openai 官方SDK。用于调用OpenAI的嵌入模型将文本变向量和ChatGPT模型生成答案。chromadb 轻量级向量数据库。负责存储和快速检索我们生成的文本向量。它开源、易用且可以纯本地运行完美契合这个项目。tiktoken OpenAI开源的BPE分词器。用于精确计算文本的token数量确保在分割文本和构造提示词时不会超出模型限制。unstructured 文档解析库。它的能力超乎想象不仅能处理txt还能解析pdf、docx、ppt甚至html和eml文件从各种格式中干净地提取出文本内容。实操心得在实际安装中你可能会遇到unstructured库的依赖问题特别是在解析PDF时它需要poppler或libmagic等系统库。在Ubuntu/Debian上你可以先运行sudo apt-get install poppler-utils。在macOS上brew install poppler会很有帮助。如果安装失败可以尝试先安装基础组件pip install unstructured[pdf]。3.3 配置API密钥与项目设置安装好依赖后需要配置OpenAI API密钥这是项目运行的“燃料”。复制项目中的配置文件模板cp constants.py.default constants.py编辑constants.py文件填入你的OpenAI API密钥OPENAI_API_KEY sk-你的真实API密钥请务必将sk-后面的示例字符串替换成你在 OpenAI平台 获取的真实密钥。准备你的数据。在data目录下你可以放入任何支持的文档。原示例用了data.txt和cat.pdf。你可以创建一个data.txt里面简单写几行内容例如My personal pet information. My dogs name is Sunny. He is a golden retriever and loves to play fetch. My cats name is Muffy. She is a Persian cat and prefers to sleep all day.你也可以放入真实的PDF、Word文档等进行测试。4. 代码深度解析与改造原项目的chatgpt.py虽然简短但蕴含了LangChain处理RAG问题的标准范式。让我们一行行拆解并探讨如何将其改造得更健壮、更实用。4.1 原版脚本逐行解读from constants import OPENAI_API_KEY import os os.environ[OPENAI_API_KEY] OPENAI_API_KEY作用导入密钥并设置为环境变量。LangChain和OpenAI SDK会自动从这个环境变量中读取密钥。from langchain.document_loaders import DirectoryLoader, UnstructuredPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chains import RetrievalQA from langchain.llms import OpenAI作用导入LangChain的各个核心模块。这是整个流程的“零件箱”。loader DirectoryLoader(data, glob**/*.txt) pdf_loader UnstructuredPDFLoader(data/cat.pdf)作用创建文档加载器。DirectoryLoader会加载data目录下所有.txt文件。UnstructuredPDFLoader专门加载PDF。这里原脚本写死了cat.pdf灵活性不足。text_splitter RecursiveCharacterTextSplitter(chunk_size1000, chunk_overlap200)作用创建文本分割器。这是影响效果的关键参数。chunk_size1000每个文本块的最大token数约等于字符数。1000是一个常用值在保证信息完整性和模型上下文限制间取得平衡。chunk_overlap200块与块之间重叠的字符数。这非常重要可以防止一个完整的句子或概念被生硬地切断确保检索时上下文连贯。embeddings OpenAIEmbeddings()作用初始化OpenAI的嵌入模型。默认使用text-embedding-ada-002这是目前性价比和性能综合最好的嵌入模型。documents loader.load() documents pdf_loader.load() texts text_splitter.split_documents(documents)作用加载文档合并然后进行分割。最终得到的是一个由多个“文档块”组成的列表texts。vectordb Chroma.from_documents(texts, embeddings, persist_directorydb) vectordb.persist()作用将分割后的文本块转换为向量并存入Chroma数据库。persist_directorydb指定向量数据库持久化到本地db文件夹。persist()方法执行保存操作。这里有一个关键点每次运行脚本它都会重新生成向量库。如果文档没有变化这就是浪费。qa RetrievalQA.from_chain_type(llmOpenAI(temperature0), chain_typestuff, retrievervectordb.as_retriever())作用创建问答链。这是LangChain的核心抽象。llmOpenAI(temperature0)指定使用OpenAI的GPT模型默认是text-davinci-003但最新版LangChain可能会用ChatModel。temperature0使输出确定性最强减少随机性。chain_typestuff这是最简单的处理方式将检索到的所有文档块“塞进”同一个提示词上下文送给LLM。适合检索结果较少的情况。其他还有map_reduce、refine等用于处理大量检索结果。retrievervectordb.as_retriever()从向量数据库创建一个检索器。query input( ) result qa.run(query) print(result)作用交互式地获取用户问题运行问答链并打印结果。4.2 增强版脚本更实用、更健壮原脚本有几个可以改进的地方1) 文档加载方式硬编码2) 每次运行都重建索引3) 模型选择固定4) 缺乏交互循环。下面是一个增强版的chatgpt_enhanced.pyimport os from constants import OPENAI_API_KEY os.environ[OPENAI_API_KEY] OPENAI_API_KEY from langchain.document_loaders import DirectoryLoader, UnstructuredFileLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chat_models import ChatOpenAI from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate # 1. 更灵活的文档加载 def load_documents(data_dirdata): 加载data目录下所有支持的文件类型 # 使用UnstructuredFileLoader它能自动检测并解析多种格式 loader DirectoryLoader( data_dir, glob**/*.*, # 匹配所有文件 loader_clsUnstructuredFileLoader, loader_kwargs{mode: elements}, # 按元素解析效果更好 show_progressTrue ) documents loader.load() print(f已从 {data_dir} 加载 {len(documents)} 个文档元素。) return documents # 2. 创建或加载向量数据库 def get_vectorstore(documents, persist_dirdb, force_recreateFalse): embeddings OpenAIEmbeddings() if not force_recreate and os.path.exists(persist_dir): # 如果数据库已存在则直接加载 print(f从持久化目录 {persist_dir} 加载已有向量数据库...) vectordb Chroma(persist_directorypersist_dir, embedding_functionembeddings) # 可选检查是否有新文档需要添加简化处理此处若加载则默认使用已有库 # 更复杂的实现需要对比文档哈希或修改时间 else: # 分割文本并创建新数据库 print(分割文本并创建新的向量数据库...) text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200, separators[\n\n, \n, 。, , , , , , ] ) texts text_splitter.split_documents(documents) print(f文档被分割成 {len(texts)} 个文本块。) vectordb Chroma.from_documents( documentstexts, embeddingembeddings, persist_directorypersist_dir ) vectordb.persist() print(f向量数据库已创建并保存至 {persist_dir}) return vectordb # 3. 创建自定义提示模板的问答链 def create_qa_chain(vectorstore): # 使用更强大的Chat模型 llm ChatOpenAI(model_namegpt-3.5-turbo, temperature0) # 自定义提示词可以更好地控制模型行为 prompt_template 基于以下上下文信息请回答用户的问题。如果你不知道答案就老实说不知道不要编造答案。 上下文 {context} 问题{question} 请根据上下文提供准确的答案 PROMPT PromptTemplate( templateprompt_template, input_variables[context, question] ) # 创建检索器可以调整检索数量 retriever vectorstore.as_retriever(search_kwargs{k: 4}) # 检索最相关的4个片段 # 创建问答链 qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, retrieverretriever, chain_type_kwargs{prompt: PROMPT}, # 使用自定义提示词 return_source_documentsTrue # 返回源文档便于追溯 ) return qa_chain # 主程序 def main(): print( 本地文档智能问答系统 ) print(正在初始化...) # 加载文档 docs load_documents() if not docs: print(未在 data/ 目录下找到任何可处理的文档。请放置 .txt, .pdf, .docx 等文件。) return # 获取向量存储首次运行会创建后续运行会直接加载 # 如果需要强制重建索引将 force_recreate 设为 True vectordb get_vectorstore(docs, force_recreateFalse) # 创建问答链 qa create_qa_chain(vectordb) print(\n系统就绪请输入你的问题输入 quit 或 exit 退出) print(- * 50) # 交互循环 while True: try: query input(\n ).strip() if query.lower() in [quit, exit, q]: print(再见) break if not query: continue # 执行查询 result qa({query: query}) answer result[result] source_docs result.get(source_documents, []) # 打印答案 print(f\n答案{answer}) # 打印参考来源可选 if source_docs: print(f\n[参考来源]) for i, doc in enumerate(source_docs[:2]): # 显示前2个来源 snippet doc.page_content[:150].replace(\n, ) ... source doc.metadata.get(source, 未知文件) print(f {i1}. 来自文件 {source}:\n 内容片段{snippet}) except KeyboardInterrupt: print(\n\n程序被中断。) break except Exception as e: print(f\n处理问题时出错{e}) if __name__ __main__: main()这个增强版脚本的主要改进点自动加载多种格式使用UnstructuredFileLoader配合glob**/*.*能自动处理data/目录下的多种文件。向量数据库持久化与复用检查db/目录是否存在如果存在则直接加载已有数据库避免每次运行都重新计算向量非常耗时且消耗API额度。只有文档有变动时才需要设置force_recreateTrue来重建。使用更现代的Chat模型ChatOpenAI配合gpt-3.5-turbo或gpt-4对话效果更好。自定义提示词通过PromptTemplate可以精细控制给模型的指令比如要求它“不知道就说不知道”减少幻觉。可追溯的答案来源设置return_source_documentsTrue并展示答案来源于哪些文档片段增加了可信度和可调试性。友好的交互循环支持连续问答并提供了清晰的退出方式。5. 关键参数调优与效果提升项目跑起来只是第一步要想让问答效果从“能用”到“好用”关键参数的调校至关重要。这些参数没有绝对的最优值需要根据你的文档特性和需求进行实验。5.1 文本分割策略平衡粒度与上下文RecursiveCharacterTextSplitter的chunk_size和chunk_overlap是核心杠杆。chunk_size(块大小)决定了每个文本块包含多少信息。太小如200可能无法容纳一个完整的概念太大如2000可能会引入无关噪声且检索出的块可能只有一小部分相关。建议从1000开始尝试。对于技术文档可能需要小一些500-800以保证概念的独立性对于叙述性文字可以大一些1200-1500。chunk_overlap(重叠大小)防止信息被割裂。例如一个段落正好在1000字符处被切断重叠200字符能确保下个块包含这个段落的尾部保持语义连贯。通常设置为chunk_size的10%-20%。separators(分隔符列表)定义了按优先级分割文本的字符序列。默认的[\n\n, \n, , ]对英文友好。对于中文强烈建议加入中文标点如[\n\n, \n, 。, , , , , , ]。这样能确保尽可能在句子的边界处进行分割而不是生硬地切断一个词。调试方法修改参数后运行分割并打印前几个文本块直观感受分割效果splitter RecursiveCharacterTextSplitter(chunk_size800, chunk_overlap150, separators[\n\n, \n, 。, , , , , , ]) texts splitter.split_documents(documents) for i, text in enumerate(texts[:3]): print(f--- 块 {i1} (长度{len(text.page_content)}) ---) print(text.page_content[:200] ...) print()5.2 检索与生成环节的调优检索数量 (search_kwargs{k: n})n决定了每次问答向模型提供多少个相关文本块。太少如1信息可能不全面太多如10可能引入噪声并消耗更多token。对于一般问答4-6是一个不错的起点。对于需要综合多个段落信息的复杂问题可以适当调高。LLM模型与温度 (temperature)模型选择gpt-3.5-turbo性价比高响应快。gpt-4在理解复杂指令、逻辑推理和减少幻觉方面表现更佳但成本高、速度慢。根据任务复杂度选择。温度 (temperature)控制输出的随机性。范围0到2。对于事实性问答强烈建议设为0以获得最确定、最一致的答案。如果希望答案有一些创造性变化例如基于文档内容进行总结或润色可以设为0.1到0.3。链类型 (chain_type)stuff最简单将所有检索到的文档块合并后一次性发送给LLM。适用于检索块较少且总长度不超过模型上下文限制的情况。map_reduce先让LLM分别总结每个文档块Map再让另一个LLM总结所有初步总结Reduce。能处理远超上下文限制的大量文档但成本更高且可能丢失细节。refine迭代处理文档块用后续块的信息不断精炼前一个答案。通常能产生质量最高的答案但速度最慢。对于本项目这种小规模个人文档库stuff足矣。5.3 嵌入模型的选择脚本默认使用text-embedding-ada-002这也是目前OpenAI推荐且性价比最高的通用嵌入模型。除非有特殊需求否则不需要更改。它的维度是1536在语义搜索任务上表现稳健。重要提示嵌入模型的调用是按token收费的。在索引大量文档前最好先估算一下成本。你可以用tiktoken库来统计文本的token数。text-embedding-ada-002每1000个token价格非常低但对于数万页的文档累积起来也是一笔开销。6. 扩展应用场景与进阶玩法基础的个人文档问答只是起点。基于这个框架我们可以拓展出很多有趣且实用的应用。6.1 场景一技术知识库问答如果你是开发者可以将项目文档、API手册、内部Wiki、甚至是Stack Overflow的精华帖整理成文本文件放入data/目录。然后你就可以像有一个24小时在线的技术顾问一样提问“我们项目里是如何处理用户身份验证的”“calculateRevenue这个函数的参数有哪些”“遇到‘数据库连接池耗尽’的错误文档里提到的排查步骤是什么”优化技巧对于代码文件可以使用TextLoader加载但更好的方法是用PythonLoader或MarkdownLoader等专用加载器它们能更好地解析代码结构。你还可以在分割时尝试按函数或类来分割保持代码块的完整性。6.2 场景二会议纪要分析与查询将每次的会议纪要.txt或从会议软件导出的文稿放入系统。你可以快速查询“上周三的站立会议提到了哪些关于‘性能优化’的待办事项”“谁负责‘第三季度营销计划’这个任务”“把过去一个月所有会议中‘客户反馈’相关的要点总结一下。”实现思路这需要结合元数据过滤。在存储向量时可以为每个文本块附加元数据如{“date”: “2023-10-27”, “meeting_topic”: “sprint_planning”}。在检索时可以要求检索器不仅基于语义相似度还要过滤特定日期或主题的文档。ChromaDB支持带过滤的检索。6.3 场景三长文档如书籍、论文摘要与问答面对一本几百页的PDF电子书或学术论文你可以让它帮你“总结一下第三章的核心观点。”“作者在哪些地方批评了传统方法”“关于‘神经网络剪枝’这本书提供了哪几种方案”挑战与方案长文档的挑战在于上下文长度。即使分割成块一个复杂问题也可能需要综合多个分散的块来回答。这时可以考虑使用更复杂的chain_type如“map_reduce”。或者实现一个两阶段检索先用一个简单的查询如“第三章”检索出可能相关的较大范围文档块再用精确的问题在这些块中进行二次检索。6.4 进阶集成到现有系统与Web界面当前脚本是命令行交互。你可以轻松地将其改造成一个后台服务提供API接口集成到你的笔记软件如Obsidian、团队聊天工具如Slack或自建的Web应用中。Flask/Django API示例# app.py (简化版) from flask import Flask, request, jsonify from your_enhanced_module import get_vectorstore, create_qa_chain # 导入前面封装好的函数 import os app Flask(__name__) # 初始化时加载向量库和QA链单例模式 vectordb get_vectorstore(load_documents(), force_recreateFalse) qa_chain create_qa_chain(vectordb) app.route(/ask, methods[POST]) def ask(): data request.json question data.get(question) if not question: return jsonify({error: No question provided}), 400 try: result qa_chain({query: question}) return jsonify({ answer: result[result], sources: [{source: doc.metadata.get(source), snippet: doc.page_content[:200]} for doc in result.get(source_documents, [])] }) except Exception as e: return jsonify({error: str(e)}), 500 if __name__ __main__: app.run(debugTrue)这样你就可以通过发送HTTP请求到http://localhost:5000/ask来获取答案了。7. 常见问题、故障排查与优化实录在实际部署和使用的过程中我踩过不少坑也总结了一些排查技巧和优化点。7.1 安装与依赖问题问题1安装unstructured时失败提示与libmagic或poppler相关。排查这是最常见的系统级依赖缺失问题。unstructured需要这些库来解析PDF、Word等二进制文件。解决macOS:brew install libmagic popplerUbuntu/Debian:sudo apt-get install libmagic1 poppler-utils通用方案如果实在装不上可以退而求其次只安装纯文本处理能力pip install unstructured[md]然后只处理.txt和.md文件。问题2运行脚本时提示OpenAI API密钥错误或未设置。排查检查constants.py文件是否已从constants.py.default重命名并且其中的OPENAI_API_KEY值是否正确注意不要有多余的空格或引号。确保运行脚本的环境变量已设置。解决可以在脚本开头直接打印密钥前几位进行调试print(fKey starts with: {OPENAI_API_KEY[:10]})。确保密钥有效且未过期。7.2 运行与性能问题问题3第一次运行索引文档速度很慢特别是PDF文件。排查这是正常的。unstructured解析PDF、嵌入模型计算向量都是计算密集型或网络IO操作。解决耐心等待对于几十页的PDF可能需要几分钟。使用持久化确保脚本使用了持久化功能如我们增强版脚本所做的这样后续运行无需重新索引。分批处理如果你有海量文档可以编写脚本分批索引避免单次运行超时。问题4问答时响应慢。排查延迟可能来自1) 检索相似向量2) 调用OpenAI API生成答案。解决检索速度通常很快除非向量库极大10万条。如果慢检查ChromaDB是否在本地运行。API调用延迟是主要因素。考虑a) 使用gpt-3.5-turbo而非gpt-4b) 减少search_kwargs{“k”: n}中的n值减少发送给API的上下文长度c) 检查网络连接。问题5答案不准确或“幻觉”编造信息。排查这是RAG系统最核心的挑战。原因可能检索失败没有检索到相关文档。可能是嵌入模型对问题理解有偏差或文档分割不合理导致关键信息被割裂。上下文不足检索到的文档块没有包含足够信息来回答问题。LLM自身问题即使提供了上下文模型也可能忽略它或自行编造。解决检查检索结果像我们增强版脚本那样打印出source_documents。看看模型到底看到了什么。如果检索到的内容完全不相关需要调整分割策略或检查嵌入模型。优化提示词在提示词中加强指令。例如使用更严厉的措辞“你必须严格且仅依据提供的上下文来回答问题。如果上下文中的信息不足以回答问题请直接回答‘根据提供的资料我无法回答这个问题。’不要使用你已有的知识进行补充。”调整检索参数增加k值检索更多文档块增加找到相关信息的概率。后处理与重排高级技巧。对检索到的文档块进行二次重排例如使用Cohere的Rerank API将最相关的排在前面再送给LLM。7.3 内容与效果优化问题6如何处理包含表格、图片的文档排查基本的unstructured可以提取PDF中的表格为HTML字符串或简单文本但会丢失部分格式。图片中的文字无法提取。解决对于复杂表格可以考虑使用专为表格设计的解析库如camelot或tabula-py。对于图片文字需要集成OCR引擎如pytesseract。这会使流程复杂很多需要先提取图片再OCR识别。对于大多数场景unstructured提取的文本化表格信息已足够用于语义搜索。问题7如何更新知识库新增或修改了文档怎么办方案这是一个经典问题。最简单的暴力方法是删除db/文件夹重新运行脚本设置force_recreateTrue。对于小型知识库这是可行的。增量更新方案更优雅的做法是为每个文档块存储其来源文件的哈希值或最后修改时间。在加载时检查现有向量库中哪些文档的源文件已更改或新增然后只对这部分文档进行重新嵌入和更新。ChromaDB支持add_documents和delete操作可以实现增量更新但这需要自己维护一套文件状态跟踪逻辑。问题8如何评估问答系统的效果人工评估准备一组标准问题人工检查答案的准确性和相关性。这是最可靠但最耗时的方法。自动化指标对于有标准答案的数据集可以使用检索召回率检索到的相关文档比例和答案精确匹配等指标。但对于开放域问答自动化评估仍然很困难。实用方法在真实使用中关注用户满意度。如果同一个问题经常得到不满意的回答就把它作为一个“坏案例”来分析从检索和生成两个环节去调试。这个项目就像一把钥匙为你打开了本地化、私有化AI知识库应用的大门。从简单的脚本出发通过理解其每一行代码背后的原理不断调试参数、扩展功能、解决实际问题你不仅能获得一个得力的个人工具更能深入理解当今最热门的RAG技术是如何落地的。