从零开始，用开源技术搭建一个能"读懂"文档的智能问答系统

相信大家的电脑上都安装了 Everything，一个磁盘文件快速查找桌面级应用软件。

一直以来，我都有个想法，能否做一个 plus 版本，支持文档的全文检索和智能问答？！这个想法萌芽已久，且和同事、朋友做过多次讨论。

近期，终于腾出空来，把它实现了。

直接上效果视频。

这个系统解决了我们工作中一个常见的痛点——如何从海量文档中快速找到最准确答案?

unsetunset一、为什么需要这样一个系统?unsetunset

先说说我遇到的问题。作为技术人,手头总有大量的文档:

• 技术文档、API 手册堆积如山
• 项目笔记、会议记录散落各处
• 代码文件、配置文件数不胜数

传统的解决方案有两种:

方案一:全文搜索

• 优点:速度快,能精确匹配关键词
• 缺点:不理解语义,搜"如何启动"找不到"怎么运行"

方案二:直接问 ChatGPT、Claude、deepseek、豆包等 AI 工具

• 优点:理解能力强,回答自然
• 缺点:容易"胡说八道",给出的答案可能根本不在你的文档里

那么,能不能结合两者的优点,既快速检索又智能理解,还能保证答案可靠呢?

答案是:

可以!

这就是我今天要分享的 RAG(检索增强生成) 技术。
unsetunset二、什么是 RAG?一个形象的比喻unsetunset

把 RAG 想象成一场"开卷考试":

传统 AI(闭卷考试)学生(AI): 凭记忆答题问题: 可能记错、编造答案RAG(开卷考试)学生(AI): 先翻书找相关内容,再基于书本回答优势: 答案有据可查,准确可靠

RAG 的核心流程只有三步:

1. 检索(Retrieval): 从文档库找相关内容
2. 增强(Augmented): 把找到的内容提供给 AI
3. 生成(Generation): AI 基于这些内容生成答案

简单吧！但要做好,还有很多技术细节。

unsetunset三、系统架构:三层设计,清晰明了unsetunset

Everything plus 采用经典的三层架构:

技术栈选型原则:全部开源,零成本部署

• 后端: Python + Flask(轻量级)
• 检索引擎: Elasticsearch 9.x / Easysearch 2.0.0+(支持向量检索)
• 向量模型: Sentence-Transformers(开源)
• LLM: DeepSeek/Ollama(国产/本地)
• 数据库: MySQL(用户管理)

unsetunset四、核心技术解密:混合检索是关键unsetunset

4.1 为什么需要"混合检索"?

单纯用关键词检索或向量检索都有局限:

检索方式	优点	缺点	适用场景
BM25关键词	速度快,精确匹配	不懂语义	搜专有名词、代码
向量语义	理解语义,找相似内容	计算慢	搜概念、找相关文档

解决方案:混合检索 = BM25 + 向量检索

举个例子:

问题: "如何配置数据库连接?"BM25 检索结果:- 文档A: "配置数据库连接的方法..."  (精确匹配)- 文档B: "database connection config"  (英文匹配)向量检索结果:- 文档C: "设置 MySQL 链接参数..."  (语义相似)- 文档D: "数据库初始化步骤..."  (相关内容)融合后: A(最相关) > C > B > D

4.2 RRF 融合算法:简单但有效

两种检索结果如何合并?这里用到 RRF(倒数排名融合) 算法:

# 核心公式RRF_score = 1/(k + rank1) + 1/(k + rank2)# 例子文档A: rank1=1, rank2=3      score = 1/(60+1) + 1/(60+3) = 0.0164 + 0.0159 = 0.0323文档B: rank1=5, rank2=1        score = 1/(60+5) + 1/(60+1) = 0.0154 + 0.0164 = 0.0318

关键思想:同时出现在两个结果列表中的文档,得分会更高

4.3 查询重写:一个问题变三个

用户的问题往往很简短,直接检索效果不好。系统会自动生成多个查询变体:

原始查询: "系统怎么用"自动重写为:1. "系统怎么用 详细说明"  2. "什么是 系统怎么用"3. "系统怎么用 步骤"# 每个变体都去检索,结果再融合# 这样可以找到更多相关文档

4.4 提示词工程:让 AI 不胡说

RAG 的关键是让 AI 只基于检索到的内容回答:

prompt = f"""你是一个文档问答助手。请严格基于以下上下文回答问题:【上下文】[块1] {doc1_content}[块2] {doc2_content}[块3] {doc3_content}【规则】1. 只能使用上述上下文中的信息2. 如果上下文中没有答案,明确说"文档中未找到相关信息"3. 引用时注明来源,如"根据[块1]..."【问题】{user_question}【回答】"""

这样设计的提示词,能有效防止 AI “胡编乱造”。

unsetunset五、特色功能:类 Everything 的磁盘扫描unsetunset

这是系统的一大亮点!你可以直接扫描本地磁盘,自动索引文档:

5.1 扫描流程 首次扫描是全量的,但后续扫描会智能判断:

5.2 智能增量更新

首次扫描是全量的,但后续扫描会智能判断:

# 判断文件是否需要重新索引if file.mtime > last_index_time:    # 文件被修改过,重新索引    re_index(file)else:    # 文件未变化,跳过    skip(file)

这样即使扫描大量文件,也不会重复处理,效率很高。

5.3 支持 30+ 种文件类型

文档类: TXT, MD, PDF, DOCX, XLSX, PPTX代码类: PY, JS, JAVA, CPP, GO, PHP, TS, RS配置类: JSON, YAML, XML, INI, CONF, ENV网页类: HTML, CSS, SCSS脚本类: SH, BAT, PS1

基本涵盖了日常工作中的所有文本文件。

unsetunset六、实战演示:从安装到使用unsetunset

6.1 环境准备

# 1. 安装 Python 依赖pip install -r requirements.txt# 2. 启动 Elasticsearch/Easysearch系统用了 Elasticsearch 9.0 版本。Easysearch 2.0 等版本原理一致。# 3. 安装 MySQL# (根据你的系统安装 MySQL 5.7+)# 4. 初始化数据库python init_database.py

6.2 启动系统

python app.py

访问 http://localhost:16666,注册账号登录。

6.3 索引文档

方式一:上传文档

1. 点击"上传文档"标签页
2. 选择文档文件(支持批量)
3. 点击上传,系统自动索引

方式二:扫描磁盘

1. 点击"磁盘扫描"标签页

2. 选择要扫描的磁盘(如 D:、E:)

3. 点击"立即刷新"

4. 等待扫描完成

   

6.4 开始问答

问题: "如何配置 Elasticsearch 连接?"系统返回:【答案】根据[块1]和[块3],Elasticsearch 连接配置如下:1. 在 config.py 中设置连接参数:   - ES_HOST: Elasticsearch 服务器地址   - ES_PORT: 端口号(默认9200)   - ES_USER: 用户名   - ES_PASSWORD: 密码2. 初始化客户端:   es = Elasticsearch(       hosts=[{'host': ES_HOST, 'port': ES_PORT}],       basic_auth=(ES_USER, ES_PASSWORD)   )【证据来源】[块1] 文档: config_guide.md, 第2段[块3] 文档: setup.md, 第5段【相关文档】(3个)- config_guide.md- setup.md  - troubleshooting.md

unsetunset七、性能优化经验unsetunset

7.1 检索性能

• 批量查询: 使用 Elasticsearch 的 _msearch API

• 结果缓存: 相同问题直接返回缓存

• 分页加载: 前端分页,避免一次加载过多

  

  

7.2 索引性能

• 批量索引: 使用 _bulk API,100条一批
• 异步处理: 文档上传后台异步索引
• 增量更新: 只处理修改过的文件

7.3 向量生成优化

# 批量生成向量,而不是逐个生成texts = [chunk1, chunk2, ..., chunk100]vectors = model.encode(texts, batch_size=32)# 比逐个生成快10倍以上

unsetunset八、踩过的坑和解决方案unsetunset

坑1: 向量维度不匹配

问题: Elasticsearch 索引的向量维度与模型不一致

# 错误mapping = {    "vector": {"type": "dense_vector", "dims": 512}  # 但模型是384维}# 正确:先确认模型维度model = SentenceTransformer('all-MiniLM-L6-v2')print(model.get_sentence_embedding_dimension())  # 384mapping = {    "vector": {"type": "dense_vector", "dims": 384}  # 与模型一致}

坑2: PDF 提取乱码

问题: PDF 中的中文提取出来全是乱码

解决: 使用 pdfplumber 代替 PyPDF2

# pdfplumber 对中文支持更好import pdfplumberwith pdfplumber.open(pdf_path) as pdf:    text = ""    for page in pdf.pages:        text += page.extract_text()

坑3: 长文档检索效果差

问题: 长文档切分成小块后,检索只能找到片段,缺乏上下文

解决: 使用重叠切分

from langchain.text_splitter import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(    chunk_size=500,      # 每块500字符    chunk_overlap=50,    # 重叠50字符,保留上下文    length_function=len)unset

unsetunset九、总结与思考unsetunset

核心收获

1. RAG 不复杂

   就是检索+提示词+LLM 三步

2. 混合检索是王道:

   BM25 + 向量,各取所长

3. 提示词很关键:

   好的提示词让 AI 不胡说

4. 工程化很重要:

   性能优化、错误处理、用户体验缺一不可

最后的话

Everything plus 展示了如何用开源技术构建一个生产级的 RAG 系统。它不是最先进的,但是最实用、最接地气的。

重要的不是技术有多酷,而是能不能解决实际问题。如果这个系统能让你从"找文档"的痛苦中解脱出来,那就值了。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​