[开源项目] Tiny-RAG ：一套功能完善、高度可配的本地知识库问答解决方案

在过去的一段时间里，我一直在探索大型语言模型（LLM）的落地应用。LLM的强大毋庸置疑，但它们普遍存在的“知识截止日期”和“一本正经地胡说八道”（幻觉）问题，使其在处理专业、私有或实时知识时常常力不从心。

检索增强生成（Retrieval-Augmented Generation, RAG）是解决这个问题的最佳方案之一。然而，在动手实践的过程中，我发现市面上大多数的RAG教程或项目都过于简化，离一个真正“好用”的系统还有很长的距离。

所以，我决定自己动手，从头打造一套功能完善、高度可定制的RAG系统。今天，我非常高兴地宣布，这个项目已经开源，并上传到了GitHub！

➡️ 项目地址：Tiny_RAG

不只是另一个RAG Demo，它有什么特别之处？

如果你也像我一样，看过无数个“上传文档->提问->回答”的RAG演示，你可能会问：这个项目有什么不同？

不同之处在于，我将重点放在了解决那些让简单Demo“不好用”的关键问题上。

1. 告别单一的向量检索：引入混合与集成检索

纯向量检索依赖“语义”相似，但在处理专业术语、代码、产品型号这类“关键词”敏感的查询时，常常表现不佳。为了解决这个问题，我实现了一套更智能的检索策略：

• 混合检索 (Hybrid Search): 它将传统关键词检索（类似BM25）的精准匹配能力和向量检索的语义理解能力结合起来，你可以通过一个权重参数动态调节两者的贡献。这意味着，无论你的问题是偏向语义理解还是关键词匹配，系统都能找到最相关的结果。
• 集成检索 (Ensemble Retrieval): 更进一步，你可以定义多个检索器，系统会将它们的结果加权融合，取长补短，最大化召回的准确性和多样性。
  

2. 答案可信可溯源：让每一句话都有据可查

为了解决LLM的幻觉问题，RAG的核心是“基于事实回答”。我的系统在这一点上做了强化。

每一个由LLM生成的答案，都会附带详细的引用来源。你可以清晰地看到：

• 答案依据了哪些原文片段。
• 每个片段与你的问题的相关度分数。
• 它们是由哪种检索策略（向量/混合）找到的。

这种透明度建立起了用户对系统回答的信任。

3. 为开发者和学习者设计：高度模块化与可配置

我深知每个人的需求都不同。因此，我将整个系统设计得高度模块化和可配置。无论是Embedding模型、LLM模型，还是文本分块的chunk_size，甚至是检索器的参数，你都可以通过config.yaml文件或Web UI轻松修改，而无需改动核心代码。

你可以轻易地将任何模块（如检索器、LLM处理器）替换成你自己的实现，把它当作一个学习和实验RAG技术的绝佳平台。

快速开始

让它在你的本地运行起来非常简单，只需要三步：

# 1. 克隆仓库
git clone [你的GitHub仓库链接]
cd [你的项目目录]# 2. 安装依赖
pip install -r requirements.txt# 3. 启动！
python run.py

然后打开浏览器，访问 http://127.0.0.1:5000，你的专属知识大脑就准备就绪了。

未来的路与你的贡献

这个项目只是一个开始。我还有很多想实现的想法，比如：

• 引入更先进的Re-ranking模型过滤检索噪音。
• 集成知识图谱，实现更高阶的推理问答。
• 建立一套更完善的自动化评估体系。

这是一个社区驱动的开源项目，我非常欢迎任何形式的贡献！无论是一个Star⭐️来鼓励我，一个Issue来报告问题或提出建议，还是一个Pull Request来直接贡献代码，都将是对这个项目巨大的帮助。

➡️ 再次附上项目链接：Tiny_RAG和RAG_Mini

感谢你的阅读，期待在GitHub上与你相遇！