408-RAG 是一个基于本地知识库的智能问答系统，专为计算机（408）考研设计。它利用检索增强生成（RAG）技术，结合 Milvus/Chroma 向量数据库和大型语言模型（如 Qwen3），提供精准、高效的考点检索、真题解析和智能问答功能。

项目采用 GPLv3 协议开源，支持离线部署，旨在帮助考生高效备考，并为相关技术研究提供参考。

本系统采用经典的 RAG (Retrieval-Augmented Generation) 架构，其工作流程如下：

1. 知识库构建 (Indexing)

   • 文档处理: 系统首先通过 DocumentProcessor 读取 data_base/knowledge_db 目录下的原始文档（如 PDF、TXT 等）。
   • 文本切割: 对文档进行切割，支持多种策略（如默认、按章节、按论文格式），将长文本切分成小的知识块（Chunks）。
   • 向量化: 使用 Embedding 模型将每个知识块转换为向量（Vector Embeddings）。
   • 数据入库: 将文本块及其对应的向量索引存储在向量数据库（Vector Database）中，以便快速检索。

2. 问答检索 (Retrieval & Generation)

   • 用户提问: 用户输入一个问题。
   • 问题向量化: 将用户的问题同样转换为向量。
   • 相似度检索: 在向量数据库中，通过计算问题向量与知识块向量之间的相似度，检索出与问题最相关的 k 个知识块作为上下文（Context）。
   • 答案生成: 将原始问题和检索到的上下文信息一同发送给大型语言模型（LLM），由 LLM 基于上下文生成最终的、更精准的答案。

• 本地化部署: 支持完全离线部署，保障数据隐私。
• 模块化设计: 系统分为文档处理、向量数据库、LLM 调用等模块，易于扩展和维护。
• 多种文本切割策略: 内置多种文本切割器，可根据文档类型选择最优处理方式。
• 专注考研领域: 知识库内容聚焦于 408 考研四科，问题回答更具针对性。

• Python 3.12
• 其他依赖项

git clone https://github.com/guohuiyuan/408-RAG.git
cd 408-RAG

pip install -r requirements.txt

创建 .env 文件，并填入必要的 API 密钥和地址。可以从复制 .env_example 开始：

cp .env_example .env

然后编辑 .env 文件。

系统通过 .env 文件加载环境变量。以下是各变量的说明：

• OPENAI_API_KEY: 必需。您的 API 密钥。这里并非特指 OpenAI 的密钥，而是兼容 OpenAI API 格式的任意服务提供商的密钥，例如本项目默认使用的硅基流动（SiliconFlow）。
• OPENAI_BASE_URL: 必需。API 的请求地址。默认值为 https://api.siliconflow.cn/v1。

PS: Qwen/Qwen3-8B，THUDM/GLM-4.1V-9B-Thinking在硅基流动是免费使用的。

1. 准备知识库: 将您的知识库文档（PDF, TXT等）放入 data_base/knowledge_db 目录下。
2. 运行主程序: 脚本将自动检查知识库是否存在。如果不存在，它会首先构建知识库，然后启动问答服务。

python src/rag/rag_main.py

程序会执行一个示例查询 "什么是操作系统？"，您可以修改 rag_main.py 中的查询内容进行测试。

• assistant408 的 400 道题目
• 408 1000 题
• 王道选择题
• 深入浅出计算机网络习题
• 计算机网络每日一题

• 王道 26 考研系列电子书
• 千葉原的 408 历年真题解析
• 童话的 408 易错/冷门知识点总结