ai-workspace-services/accounts

Fork 0

shenlan c228b9c170 Update rag-server default base URL to 8090 (#528 )

2025-10-15 15:25:06 +08:00

5.9 KiB

Raw Blame History

基于 Go 的 RAG 系统设计

本文档描述一个使用 Go 实现的 Retrieval Augmented Generation (RAG) 系统方案，满足多仓库文档同步、Markdown 解析与分块、向量化存储以及问答检索的需求。

1. 数据源同步

多仓库配置：支持在配置文件中声明多个 GitHub 仓库及其关注路径，例如：
- repoA/docs/
- repoB/guides/
- repoC/tutorials/
同步方式：使用 git clone / git pull 将远程仓库同步到本地，定时任务或 Webhook 触发。
增量更新：检测新增或修改的 Markdown 文档，触发后续嵌入流程。

2. Markdown 处理与分块

使用 goldmark 或 blackfriday 将 Markdown 渲染为纯文本。
对文档按照 500~1000 tokens 分块，保存每块的顺序和位置信息。
每个分块生成唯一 chunk_id 以便回溯源文档位置。

3. 向量化

默认嵌入模型：
- bge-m3: 本地部署，HTTP 服务返回 1024 维向量。
- OpenAI text-embedding-3-large: 通过 OpenAI API 获取 1024 维向量。
统一的 Embed(text string) ([]float32, error) 接口屏蔽具体实现，可在配置中切换模型。

4. 数据库设计

使用 PostgreSQL + pgvector。初始化步骤：

在目标数据库中启用扩展：
```
CREATE EXTENSION IF NOT EXISTS vector;
```

按以下 SQL 创建存储向量的表及索引：

CREATE TABLE documents (
    id BIGSERIAL PRIMARY KEY,
    repo TEXT NOT NULL,         -- 来源仓库
    path TEXT NOT NULL,         -- 文件路径
    chunk_id INT NOT NULL,
    content TEXT NOT NULL,
    embedding VECTOR(1024),     -- 向量
    metadata JSONB              -- 额外信息：标签/更新时间等
);

-- 向量索引
CREATE INDEX ON documents USING hnsw (embedding vector_cosine_ops);

-- 元数据索引
CREATE INDEX idx_documents_metadata ON documents USING gin (metadata);

连接字符串示例：postgres://user:password@127.0.0.1:5432。

5. 检索与问答流程

用户提出问题，服务端调用 Embed() 对问题生成向量。
在 documents 表中通过 cosine 相似度检索 Top K 的分块。
将检索结果拼装为 Prompt，调用 GPT/Claude 等大模型生成回答。
返回答案并附带来源文档信息以便追溯。

5.1 前端 AskAIDialog 调用流程

用户在 AskAIDialog 中输入问题，handleAsk 会先做去空格、去尾标点等规整并使用防抖避免短时间内重复发送。
若 10 秒内命中过去问题的缓存，则直接返回缓存答案；否则把规整后的问题与最近对话历史组合为 history，POST 到 /api/rag/query，请求设置超时并以流式方式返回结果。
流式结果会实时更新聊天记录，若返回 answer 与 chunks，则通过 SourceHint 展示检索到的来源。
当 answer 为空或没有检索结果时，会在控制台记录回退原因，并调用 /api/askai 获取普通 AI 回答，同样带有超时限制。
最终的回答写入缓存并通过 ChatBubble 组件显示给用户，形成完整的 RAG 聊天流程。

6. Go 代码模块划分

rag-server/internal/rag/
├── config/          # 仓库与模型配置
├── sync/            # GitHub 同步逻辑
├── ingest/          # Markdown 解析与分块
├── embed/           # 向量化接口实现
├── store/           # PostgreSQL + pgvector 操作封装
└── api/             # REST/gRPC 接口，提供问答与同步触发

各模块通过 go-pg/pgx、go-git 等库实现，协程与通道用于提升并行处理能力。

7. 未来扩展

支持更多文件格式，如 PDF、HTML。
嵌入向量批量写入以提升效率。
引入缓存与摘要生成，进一步优化响应速度。

以上设计为后续实现提供结构化指导，可在项目中逐步落地。

8. 同步与查询测试

8.1 启动依赖服务

docker run -d --name pgvector \
  -e POSTGRES_PASSWORD=password \
  -p 5432:5432 \
  ankane/pgvector:latest

docker run -d --name redis -p 6379:6379 redis

8.2 配置 rag.yaml

redis:
  addr: "127.0.0.1:6379"
  password: ""
module: "moonshotai/Kimi-K2-Instruct"
vectordb:
  pgurl: "postgres://user:password@127.0.0.1:5432"
datasources:
  - name: Xstream
    repo: https://github.com/svc-design/Xstream
    path: docs
  - name: XControl
    repo: https://github.com/svc-design/XControl
    path: docs
  - name: documents
    repo: https://github.com/svc-design/documents

8.3 运行同步

# 同步并处理所有 Markdown 文件
./xcontrol-cli --config rag.yaml

该命令会克隆或更新数据源仓库，扫描 Markdown 文件，并逐个解析、分块、调用 BGE Embed 并通过 /api/rag/upsert 写入数据库。

8.4 手动测试 Upsert 接口

在同步流程之外，也可以通过 curl 手动向 /api/rag/upsert 写入一条记录：

默认情况下，RAG 服务监听 127.0.0.1:8090，因此以下示例均以 http://localhost:8090 为基础地址。

curl -X POST http://localhost:8090/api/rag/upsert \
  -H "Content-Type: application/json" \
  -d '{"docs":[{"repo":"example","path":"doc.md","chunk_id":1,"content":"hello","embedding":[0.1,0.2],"metadata":{},"content_sha":"abc"}]}'

若向量数据库未就绪，接口会返回 error 字段提示连接问题。

8.5 查询接口

同步完成后，可通过 curl 测试 /api/rag/query：

curl -X POST http://localhost:8090/api/rag/query \
  -H "Content-Type: application/json" \
  -d '{"question": "What is XControl?"}'

请求体必须包含 question 字段。若数据写入成功，将返回相关的 chunks 列表；若返回 {"chunks":null}，请检查同步日志、数据库连接与配置文件是否正确。

5.9 KiB Raw Blame History Unescape Escape