RAG-企业知识库问答系统

人工智能其他案例ID：232769

Wayman何大民

9 年经验· 广州正佳科技集团有限公司

微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

项目概述：开发了一个服务于企业内部知识管理与智能问答场景的系统，支持PDF研报解析、知识库构建、智能检索与自然语言生成，显著提升企业知识利用效率和员工自助获取信息的能力。
研发场景：针对金融消费者在购买保险、理财时面临的产品文档晦涩难懂、条款对比低效、专业术语理解门槛高等痛点，自主研发企业级智能知识问答系统。
关键技术：React、Ant Design（antd）、Vite、FastAPI、Python、LangChain、ChromaDB(向量数据库)、DashScope（通义千问API）、minerU API、gte-rerank-v2（文本重排序）、text-embedding-v2（文本向量化）
个人收获：
1. 全栈开发与RAG架构实践：独立完成前后端全栈开发，深入理解RAG（检索增强生成）架构，掌握了向量化检索、重排序（Rerank）、大模型生成等核心流程。后端集成了text-embedding-v2模型实现文档向量化，采用gte-rerank-v2模型对检索结果进行精细排序。
2. 现代前端工程化与UI体验提升：前端采用React + Ant Design组件库，结合Vite实现高效开发与热更新，设计并实现了美观、易用的问答交互界面，提升了用户体验。
3. 文档解析与知识库自动化构建：通过集成minerU API实现PDF文档的高效结构化解析，自动提取文本与表格内容，结合LangChain和ChromaDB实现企业级知识库的自动向量化和持久化管理。
4. API集成与大模型应用：集成通义千问API，灵活调用text-embedding-v2和gte-rerank-v2等模型，实现文本Embedding、Rerank和自然语言生成，掌握了大模型API的调用、参数配置与异常处理，提升了对AI能力的工程化落地理解。
5. 代码质量与协作优化：规范项目依赖管理，优化前端依赖（如从Tailwind CSS切换到Ant Design），清理冗余配置，提升项目可维护性和团队协作效率。
6. 性能与用户体验优化：针对大批量文档处理和复杂检索场景，优化了批量API调用、分批加载、前端渲染等环节，提升了系统整体性能和响应速度。