分享一套锋哥原创的的AI大模型-基于LangChain的RAG健康知识智能问答系统(Flask+Vue3+Ollama+Chroma)

大家好，我是锋哥，分享一套锋哥原创的AI大模型-基于LangChain的RAG健康知识智能问答系统(Flask+Vue3+Ollama+Chroma)，分享下哈。

项目介绍

随着人工智能技术的快速发展，大语言模型（Large Language Model，LLM）在自然语言处理领域展现出强大的理解与生成能力。然而，通用大语言模型存在"幻觉"问题，即可能生成与事实不符的内容，且无法直接获取企业内部的专有知识。检索增强生成（Retrieval-Augmented Generation，RAG）技术通过将外部知识库与大语言模型相结合，有效解决了上述问题，使AI能够基于真实文档内容进行精准回答。

本论文设计并实现了一个基于RAG技术的企业知识库智能问答系统。系统采用前后端分离的B/S架构，前端使用Vue3框架配合Element Plus组件库构建用户界面，后端基于Python Flask框架提供RESTful API服务。系统核心功能包括：知识库管理、文档上传与向量化处理、基于RAG的智能问答、对话历史管理、用户权限控制以及数据统计分析。在向量化处理环节，系统利用Ollama部署本地嵌入模型将文档文本转化为向量表示，并存储于ChromaDB向量数据库；在问答环节，通过LangChain框架编排RAG处理链，实现从用户提问到向量检索、上下文构建、LLM生成回答的完整流程。

源码下载

链接：https://pan.baidu.com/s/14Bw9F7RQUxUOqFtPFBd5cA?pwd=1234
提取码：1234

系统展示

核心代码

""" RAG问答核心服务 基于LangChain构建检索增强生成（RAG）问答链 使用Ollama的qwen3:8b作为大语言模型 """ from flask import current_app from langchain_ollama import ChatOllama from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough from services.vector_service import VectorService # RAG系统提示词模板 SYSTEM_PROMPT = """你是一个企业内部知识库智能问答助手。请根据以下提供的参考资料来回答用户的问题。 要求： 1. 仅根据参考资料中的内容来回答问题，不要编造信息 2. 如果参考资料中没有相关信息，请如实告知用户 3. 回答要准确、简洁、专业 4. 使用中文回答 参考资料： {context} """ # 用户提问模板 USER_PROMPT = "{question}" class RAGService: """RAG问答服务类""" def __init__(self): """初始化LLM模型和向量服务""" self.llm = ChatOllama( model=current_app.config['OLLAMA_LLM_MODEL'], base_url=current_app.config['OLLAMA_BASE_URL'], temperature=0.3, timeout=3600 ) self.vector_service = VectorService() def _format_docs(self, docs): """ 将检索到的文档格式化为上下文文本 :param docs: 检索到的文档列表 :return: 格式化后的文本 """ formatted = [] for i, doc in enumerate(docs, 1): source = doc.metadata.get('file_name', '未知来源') formatted.append(f"[来源{i}: {source}]\n{doc.page_content}") return '\n\n'.join(formatted) def _extract_source_docs(self, docs): """ 提取参考文档来源信息 :param docs: 检索到的文档列表 :return: 来源信息列表 """ sources = [] seen = set() for doc in docs: file_name = doc.metadata.get('file_name', '未知') if file_name not in seen: seen.add(file_name) sources.append({ 'file_name': file_name, 'content': doc.page_content[:200] }) return sources def ask(self, question, kb_id): """ RAG问答主方法 流程: 用户提问 -> 向量检索 -> 构建上下文 -> LLM生成回答 :param question: 用户问题 :param kb_id: 知识库ID :return: (回答文本, 参考来源列表) """ # 获取知识库的检索器 retriever = self.vector_service.get_retriever(kb_id) # 检索相关文档 docs = retriever.invoke(question) if not docs: return '抱歉，在知识库中未找到与您问题相关的内容，请尝试换个方式提问。', [] # 构建提示词 prompt = ChatPromptTemplate.from_messages([ ('system', SYSTEM_PROMPT), ('human', USER_PROMPT) ]) # 构建RAG链：检索 -> 格式化上下文 -> 提示词 -> LLM -> 解析输出 rag_chain = ( { 'context': lambda x: self._format_docs(docs), 'question': RunnablePassthrough() } | prompt | self.llm | StrOutputParser() ) # 执行问答 answer = rag_chain.invoke(question) # 提取参考来源 source_docs = self._extract_source_docs(docs) return answer, source_docs