RAG Knowledge Base
RAG Knowledge Base показывает, как документы и корпоративные знания могут стать основой для поиска и ответов с указанием источников.
Задача
Превратить загруженные документы в базу знаний для семантического поиска и вопросов по найденному содержимому.
Реализованное решение
Система поиска и ответов по собственной базе знаний. Документы преобразуются в векторное представление, релевантный контекст находится семантическим поиском и передаётся AI-модели для формирования ответа с источниками. Реализация поддерживает PDF, UTF-8 TXT, подготовку текста, эмбеддинги, ChromaDB, поиск релевантного контекста, генерацию ответа и метаданные источников.
Как работает пайплайн
- 01
PDF / TXT
- 02
Парсинг и нормализация
- 03
Чанки
- 04
Эмбеддинги
- 05
ChromaDB
- 06
Семантический поиск
- 07
Фильтрация релевантности
- 08
Сборка контекста
- 09
Генерация
- 10
Ответ + источники
Инженерные решения
В контекст может добавляться соседний фрагмент того же документа.
Промпт ограничивает генерацию найденным контекстом.
При отсутствии подходящего контекста генерация не запускается.
Источники формируются на серверной стороне по результатам поиска.
Повторная индексация одинакового содержимого предотвращается хеш-идентификатором.
Архитектура
- 01
Frontend
React / Vite
Интерфейс загрузки, поиска и Q&A
- 02
API и оркестрация
FastAPI
API и управление пайплайном
- 03
Обработка документов и поиск
Парсинг · чанки · эмбеддинги · семантический поиск
- 04
Векторное хранилище
ChromaDB
Векторное хранение и поиск по сходству
- 05
AI-провайдеры
Эмбеддинги · генерация ответа
Возможности
Загрузка PDF/TXT
Предпросмотр
Индексация
Просмотр документов
Семантический поиск
Q&A
Метаданные: имя файла / страница / раздел / фрагмент
Удаление документов
Технологии
FastAPIReactViteChromaDBRAGЭмбеддинги