dsProject/dsRag/Doc/5、代码.md

上述架构图展示了一个垂直的层次结构，描述了系统的核心组件及其连接关系，自上而下解读如下：

• Gradio Web 界面:
  • 位于顶层，使用绿色矩形框表示，标注为"Gradio 大模型交互 Web"。这是用户与系统交互的入口，支持输入查询和接收回答。
• Qwen2.5-14b:
  • 第二层，用紫色矩形框表示，包含 Qwen 的标志，以及"Qwen2.5-14B 开源大语言模型"字样。用户查询从 Gradio 传递至此，由 Qwen2.5-14b 处理。
  • 注意咱们用的通义千问2.5的模型，实际也可以换成 DeepSeek 模型。
• 向量化层:
  • 第三层，用红色矩形框表示，标注为"shibing624/text2vec-base-chinese 向量化"。此层将文本转化为向量，为后续的语义检索提供支持。
• Elasticsearch 搜索:
  • 第四层，同样为红色矩形框，包含 Elasticsearch 标志和"搜索引擎"字样。向量化的数据在此存储并用于检索。
• FSCrawler 数据摄取:
  • 第五层，用蓝色矩形框表示，标注为"FSCrawler 文档爬虫"，负责将本地文档索引到 Elasticsearch。
• 数据源:
  • 底层，用米色矩形框表示，包含 PDF、DOC、XLS、PPT、TXT 等文档类型图标，标注为"数据源"。

箭头从上到下连接各层，表明数据从用户界面流向大语言模型，再经过向量化、检索，最终基于文档数据生成回答。

• 输入:
  • 左侧标注为"待检索的问句"，表示用户输入的查询。同时，"私有化本地数据源"（PDF、DOC、XLS 等）作为知识库基础。
• Elasticsearch:
  • 中间核心组件，标注为"Elasticsearch"，包含"向量数据库"和"向量检索"模块。查询和数据源均输入此模块，通过向量检索匹配相关文档。
• Qwen2.5 LLM:
  • 右侧标注为"DeepSeek ... Qwen2.5 LLM 大语言模型"，接收检索结果并生成回答。
• 输出与验证:
  • 最终输出为"提取用户想要的精准答案"，并通过"结果验证"确保准确性。此外，系统提供"公网开放接口"，支持 API 访问。

3.3 综合分析

综合两图来看，系统采用经典的 RAG（Retrieval-Augmented Generation） 架构：

用户查询首先通过向量化模型（shibing624/text2vec-base-chinese）转化为向量，在 Elasticsearch 中检索相关文档，随后将查询与检索结果传递给 Qwen2.5-14b 生成最终回答。

Gradio 提供友好界面，FSCrawler 确保数据摄取的自动化，而公网接口则扩展了系统的应用场景。

检索增强生成（RAG）简单来说就是先从一大堆文档中找到跟用户问题相关的内容，然后用大语言模型把这些内容整理成自然、易懂的回答。