智能文档助理系统是一个基于RAG (Retrieval-Augmented Generation) 技术的本地化文档管理和智能问答平台。系统支持多种文档格式的上传、自动分类、语义检索和智能对话，完全本地部署，保护数据隐私。
- 🔒 隐私保护: 完全本地化部署，数据不离开本地环境
- 🤖 智能问答: 基于文档内容的准确问答和知识检索
- 📚 文档管理: 自动分类、标签生成、语义检索
- ⚡ 高性能: GPU加速推理，毫秒级检索响应
- 文档格式: PDF、DOCX、DOC、TXT、Markdown
- 图片识别: PNG、JPG、JPEG (OCR文字识别)（开发中）
- 文件大小: 支持最大100MB文档上传
- 批量处理: 支持多文档同时上传和处理
- 检索增强生成: 基于文档内容的上下文感知对话
- 文档引用: 自动显示答案来源和相关性评分
- Markdown渲染: 支持格式化回答 (标题、列表、代码块等)
- 对话历史: 自动保存和管理对话记录
- 自动分类: AI驱动的文档内容分析和分类
- 预定义类别: 技术文档、研究报告、操作手册等8大类
- 标签生成: 自动提取关键词和生成标签
- 手动调整: 支持用户手动重分类和标签编辑
- 向量数据库: ChromaDB高性能向量存储
- 混合检索: 语义相似度 + 关键词匹配
- 智能排序: 多因子综合排序算法
- 实时索引: 文档上传后自动向量化和索引
- 响应式设计: 支持桌面端和移动端
- Ant Design: 企业级UI组件库
- 实时反馈: 上传进度、处理状态实时显示
- 主题支持: 明暗主题切换
- 框架: React 18.2+ + TypeScript 5.0+
- 构建工具: Vite 4.4+ (快速构建和热重载)
- UI库: Ant Design 5.0+ (企业级组件)
- 路由: React Router DOM 6.0+
- HTTP客户端: Axios 1.0+
- Web框架: FastAPI 0.100+ (高性能异步API)
- AI框架: LlamaIndex 0.9+ (RAG框架)
- 数据库: SQLite (关系数据) + ChromaDB (向量数据)
- 文档处理: PyPDF2, python-docx, pdfplumber
- OCR引擎: OpenCV + Transformers + PyTorch
- 主要LLM: LM Studio (qwen2.5-14b-instruct)
- 备用LLM: Ollama (qwen2.5vl:7b)
- 嵌入模型: text-embedding-qwen3-embedding-8b
- GPU加速: CUDA支持，提升推理性能
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ 前端界面 │ │ 后端API │ │ AI服务层 │
│ React + TS │◄──►│ FastAPI │◄──►│ LM Studio │
│ Ant Design │ │ Python 3.11+ │ │ Ollama │
│ Vite构建 │ │ 异步处理 │ │ qwen2.5-14b │
└─────────────────┘ └─────────────────┘ └─────────────────┘
│ │ │
│ ▼ │
│ ┌─────────────────┐ │
│ │ 数据存储层 │ │
│ │ SQLite + JSON │ │
│ │ ChromaDB向量库 │ │
│ │ 文件系统存储 │ │
└──────────────┴─────────────────┴──────────────┘
- 操作系统: Linux/Windows/macOS
- Python: 3.11+ (推荐3.11.5)
- Node.js: 18.0+ (推荐18.17.0)
- 内存: 8GB+ (推荐16GB+)
- 存储: 10GB+ 可用空间
- GPU: NVIDIA GPU (可选，用于加速)
git clone <repository-url>
cd intelligent-doc-assistant# 创建Python虚拟环境
python3.11 -m venv llamaindex
source llamaindex/bin/activate # Linux/macOS
# llamaindex\Scripts\activate # Windows
# 安装后端依赖
cd backend
pip install -r requirements.txt
# 创建必要目录
mkdir -p ../uploads ../vector_db ../logscd frontend
npm installLM Studio配置:
- 下载并安装 LM Studio
- 下载 qwen2.5-14b-instruct 模型（或者你喜欢的模型）
- 启动本地服务器 (默认端口1234)
- 修改
backend/app/core/config.py中的LM_STUDIO_BASE_URL
Ollama配置 (可选):
# 安装Ollama
curl -fsSL https://ollama.ai/install.sh | sh
# 下载模型
ollama pull qwen2.5vl:7b
ollama servecd backend
source ../llamaindex/bin/activate
python main.py后端服务将在 http://localhost:8000 启动
cd frontend
npm run dev前端服务将在 http://localhost:5173 启动
打开浏览器访问: http://localhost:5173
intelligent-doc-assistant/
├── backend/ # 后端服务
│ ├── app/
│ │ ├── api/ # API路由层
│ │ │ ├── documents.py # 文档管理API
│ │ │ ├── rag.py # RAG聊天API
│ │ │ └── retrieval.py # 检索API
│ │ ├── core/ # 核心配置
│ │ │ ├── config.py # 应用配置
│ │ │ └── llm_factory.py # LLM工厂类
│ │ ├── models/ # 数据模型
│ │ ├── services/ # 业务服务层
│ │ │ ├── rag_service.py # RAG服务
│ │ │ ├── document_processor.py # 文档处理
│ │ │ ├── vector_storage.py # 向量存储
│ │ │ └── document_classifier.py # 文档分类
│ │ └── utils/ # 工具函数
│ ├── main.py # FastAPI应用入口
│ └── requirements.txt # Python依赖
├── frontend/ # 前端应用
│ ├── src/
│ │ ├── components/ # 通用组件
│ │ │ ├── MarkdownRenderer.tsx # Markdown渲染
│ │ │ └── SourceReference.tsx # 来源引用
│ │ ├── pages/ # 页面组件
│ │ │ ├── DocumentManager.tsx # 文档管理
│ │ │ ├── ChatInterface.tsx # 聊天界面
│ │ │ └── CategoryBrowser.tsx # 分类浏览
│ │ ├── services/ # API服务
│ │ └── router/ # 路由配置
│ ├── package.json # 依赖管理
│ └── vite.config.ts # Vite配置
├── uploads/ # 上传文件存储
├── vector_db/ # ChromaDB向量数据库
├── documents.db # SQLite数据库
└── docs/ # 项目文档
├── PROJECT_TECHNICAL_SUMMARY.md # 技术总结
├── API_DOCUMENTATION.md # API文档
├── USER_GUIDE.md # 用户指南
└── DEPLOYMENT_GUIDE.md # 部署指南
-
进入文档管理页面
- 点击顶部导航栏的 "文档管理"
- 进入文档管理界面
-
上传文档
支持格式: PDF, DOCX, DOC, TXT, MD, PNG, JPG, JPEG 文件大小: 最大100MB 上传方式: 拖拽上传 或 点击选择文件 -
自动处理流程
文档上传 → 格式检测 → 内容提取 → OCR识别 → 智能分类 → 文本分块 → 向量化 → 索引存储 -
查看处理结果
- 实时显示处理进度
- 查看文档元数据和分类结果
- 确认向量化完成状态
-
开始对话
- 点击 "RAG聊天" 进入聊天界面
- 系统自动创建新对话或继续历史对话
-
提问技巧
✅ 具体明确: "请介绍人工智能在水务行业的具体应用案例" ✅ 指定格式: "请用列表形式总结文档的主要观点" ✅ 限定范围: "根据技术文档，说明系统的架构设计" ❌ 模糊问题: "介绍一下AI" -
查看回答
- 支持Markdown格式渲染 (标题、列表、代码块、表格)
- 自动显示文档引用来源
- 查看相关性评分和页码信息
- 点击引用可跳转到原文档
-
对话管理
- 自动保存对话历史
- 支持多个独立对话
- 可以删除或重命名对话
-
自动分类系统
📚 技术文档 📊 研究报告 📖 操作手册 📄 商业文档 🎓 学术论文 ⚖️ 法律文件 👤 个人简历 📁 其他文档 -
分类浏览
- 点击 "分类浏览" 查看文档分类统计
- 点击分类名称查看该分类下的所有文档
- 支持树形结构浏览 (主分类 → 子分类)
-
高级搜索
- 关键词搜索: 支持中英文全文检索
- 语义搜索: 基于向量相似度的智能匹配
- 过滤条件: 按分类、格式、时间范围筛选
- 排序选项: 按相关性、时间、大小排序
-
健康状态检查
- 实时显示系统运行状态
- 监控CPU、内存、磁盘使用情况
- 检查AI服务连接状态
-
性能统计
- 文档处理统计 (总数、分类分布、处理状态)
- 聊天使用统计 (对话数、消息数、平均响应时间)
- 系统性能指标 (检索速度、生成速度)
# 克隆项目
git clone https://github.com/398618101/Doc_assistant
cd intelligent-doc-assistant
# 启动服务
docker-compose up -d
# 查看日志
docker-compose logs -f- 前端: http://localhost:5173
- 后端API: http://localhost:8000
详细的生产环境部署指南请参考: DEPLOYMENT_GUIDE.md
包含以下内容:
- Nginx反向代理配置
- SSL证书配置
- 系统服务配置
- 监控和日志配置
- 备份和恢复策略
POST /api/documents/upload- 上传文档GET /api/documents- 获取文档列表DELETE /api/documents/{id}- 删除文档
POST /api/rag/chat- 发送聊天消息GET /api/rag/conversations- 获取对话列表
POST /api/retrieval/search- 文档检索GET /api/retrieval/similar/{id}- 相似文档推荐
详细的API文档请参考: API_DOCUMENTATION.md
- Fork 项目到你的GitHub账户
- 克隆你的Fork到本地
- 按照 快速开始 设置开发环境
- 创建新的功能分支:
git checkout -b feature/your-feature
- Python: 遵循PEP 8规范，使用black格式化
- TypeScript: 遵循ESLint规则，使用Prettier格式化
- 提交信息: 使用约定式提交格式
- 确保所有测试通过
- 提交代码:
git commit -m "feat: add new feature" - 推送到你的Fork:
git push origin feature/your-feature - 创建Pull Request
本项目采用 MIT License 开源许可证。
- 项目文档: docs/
- 用户指南: USER_GUIDE.md
- 技术总结: PROJECT_TECHNICAL_SUMMARY.md
- 问题反馈: 请在GitHub Issues中提交
感谢以下开源项目的支持:
- LlamaIndex - RAG框架
- FastAPI - 高性能Web框架
- React - 前端框架
- Ant Design - UI组件库
- ChromaDB - 向量数据库
⭐ 如果这个项目对你有帮助，请给它一个Star！