建筑领域 RAG 问答服务

项目说明

这是我整理出来的一份建筑领域 RAG 问答服务代码快照。

我这套实现的目标，是把建筑规范、图文资料和结构化文本整理成可检索知识库，再通过向量检索、BM25、重排模型和大语言模型，生成面向用户的问题回答。

这次公开的是我保留下来的核心代码，不是完整运行环境。我主要保留了服务入口、建库流程、检索流程、模型接入层和示例资源，方便展示项目思路、代码结构和关键实现。

我在这份代码里保留了什么

• 文本知识库构建流程
• 图片知识库构建与图片问答检索流程
• FAISS + BM25 的混合召回逻辑
• 基于正负样本的 reject 阈值更新逻辑
• reranker 重排逻辑
• Flask 问答接口
• 本地模型与远程模型的统一接入层

当前代码对应的整体流程

1. 初始化建库

在 main.py 里，如果配置里的 is_init = 1，程序会先执行初始化流程。

• 文本部分会扫描 repodir，对文档做预处理、切分，并构建 db_response 和 db_reject
• 图片部分会基于 new_id_text_mapping.pkl 里的文本映射，构建 picture_db_response 和 picture_db_reject
• resources/ 里的正负样本 JSON 会被用来更新文本问答和图片问答的 reject 阈值

2. 在线问答

服务启动后，核心入口是 /ask。

• 先用 LLM 判断问题是否属于建筑领域
• 如果属于建筑领域，再做问题抽取或改写
• 文本检索和图片检索会并发执行
• 文本检索会合并 FAISS 结果和 BM25 结果，再交给 reranker 重排
• 如果命中图片结果，会把文本结果映射成图片文件名
• 最后把检索材料和用户问题一起交给 LLM 生成回答

目录结构

rag/
├─ README.md
├─ config.example.ini
├─ main.py
├─ requirements.txt
├─ ragsearch/
│  ├─ __init__.py
│  ├─ feature_store.py
│  ├─ file_operation.py
│  ├─ llm_servers.py
│  ├─ openai_servers.py
│  └─ retriever.py
└─ resources/
   ├─ bad_picture_question.json
   ├─ bad_question.json
   ├─ good_picture_question.json
   └─ good_question.json

核心模块

main.py

这是服务入口。

我在这里做了几件事：

• 读取配置
• 在需要时执行初始化建库
• 初始化文本检索器、图片检索器、映射文件和 LLM 服务
• 提供 /ask、/index、/images/<filename> 三个接口
• 串联问题判断、并发检索、LLM 生成和结果返回

ragsearch/feature_store.py

这是建库核心模块。

这里负责：

• 文档预处理
• Markdown 和普通文本切分
• 构建文本 response/reject 向量库
• 构建图片 response/reject 向量库

代码里默认使用了中文切分逻辑，文本块大小和 overlap 也已经在这里固定下来。

ragsearch/retriever.py

这是检索核心模块。

这里包含：

• FAISS 向量库加载
• BM25 检索器构建和持久化
• reject 判定
• FAISS 与 BM25 结果合并
• reranker 重排
• 检索器缓存

文本检索走的是混合召回，图片检索也复用了相同的整体框架，只是数据来源不同。

ragsearch/file_operation.py

这是文件扫描和读取模块。

当前代码里明确处理了这些类型：

• Markdown
• TXT / TEXT
• PDF
• Excel / CSV
• HTML

另外我保留了 Word / PPT 的类型识别入口，但这部分读取逻辑在当前发布版本里没有真正展开。

ragsearch/llm_servers.py

这是模型接入层。

我在这里统一封装了：

• 本地模型调用
• Kimi
• DeepSeek
• 智谱
• OpenAI 兼容接口
• 一些带重试或限频控制的远程调用方式

配置项在 config.example.ini 里可以看到，包括本地模型开关、远程模型开关、模型名、最大文本长度和 API Key 占位符。

ragsearch/openai_servers.py

这个文件是我保留的 OpenAI 兼容服务脚本，用来把本地模型包装成兼容 /v1/chat/completions 的接口，方便接到上层问答逻辑里。

当前仓库不能直接运行的原因

这份仓库不是完整交付环境，我有意去掉了运行期资源和敏感配置。

当前仓库里没有包含：

• 真实 config.ini
• API Key
• 本地模型权重
• workdir 下的 FAISS 索引
• BM25 的 pickle 文件
• 图片资源和映射产物
• 原始数据目录

所以这份代码更适合看结构、看实现和做二次整理，不适合直接拉下来就启动。

配置说明

仓库里提供的是 config.example.ini，不是我实际使用的运行配置。

从示例配置可以直接看出，这套代码当前依赖这些关键配置：

• repodir
• work_dir
• new_id_text_mapping
• embedding_model_path
• reranker_model_path
• reject_throttle
• picture_reject_throttle
• 远程模型类型、模型名和 API Key

我建议如何使用这份仓库

如果你是看项目实现，这份代码适合用来：

• 快速理解我这套 RAG 问答服务的结构
• 梳理建库、召回、重排和生成之间的衔接方式
• 作为后续重构、迁移或复刻时的参考

如果你要恢复成可运行版本，需要你自己补齐数据、索引、映射文件、配置和模型环境。