English | 中文

🚀 基于 ERNIE 4.5 与 PaddleOCR 的多文档高精度智能分析与问答系统

一个集成了百度文心一言 (ERNIE 4.5) 大模型与 PaddleOCR 高精度文档解析技术的本地化 RAG 知识库系统。

📖 项目简介

本项目是一个高性能的文档问答系统（RAG），专为处理复杂的学术论文和技术文档设计。不同于传统的基于 LangChain 的简单文本切分，本项目深度集成了 PaddleOCR (PP-StructureV3) 智能文档解析引擎，能够精准识别 PDF 中的版面布局、表格、公式和图片。

结合 百度 ERNIE 4.5 的强大语义理解能力和 Milvus 向量数据库，实现了“所问即所得”的精准溯源问答。支持本地离线模式 (Milvus Lite)，无需复杂服务器即可部署。

🔗 项目资源

• 🚀 星河社区在线应用：立即体验

• 📓 星河社区 Notebook：在线运行

• 📝技术博客：点击查看

✨ 核心特性

• 🧠 百度双引擎驱动：
  • LLM: 接入 ERNIE-4.5-Turbo (通过 AIStudio API)，具备顶尖的中文理解与生成能力。
  • OCR: 集成 PaddleOCR PP-StructureV3，支持复杂版面还原，自动提取图表。
• 📂 智能文档处理：
  • 自动去重：上传时自动检测库中是否已存在同名文件，避免重复计算。
  • 精准页码索引：基于页面的动态切分策略，回答中包含确切的页码引用（如 P1, P2），拒绝幻觉。
• ⚡ 混合检索 (Hybrid Search)：融合 Dense Vector (语义向量) 与 Keyword (关键词) 检索，并使用 RRF 算法优化排序，大幅提升召回率。
• 🖼️ 多模态上下文：不仅能回答文字，还能提取并展示文档中的关键图表、插图作为回答的上下文补充。

📸 功能演示

1. 系统配置与本地模式

支持一键切换 云端 Milvus 或 本地离线模式 (Milvus Lite)。只需配置百度 AIStudio 和千帆 API Key 即可启动，数据完全掌握在自己手中。

2. 知识库构建与智能解析

基于 PaddleOCR V3 的智能解析引擎，支持中/英文模型切换。系统配备实时进度条，解析过程透明化。

3. 全局文档管理

支持多知识库 (Collection) 管理，可查看库中所有文档列表。支持针对“全部文档”进行宏观问答，或锁定“单一文档”进行深度阅读。

4. 精准问答与溯源

提问后，系统会展示检索到的参考片段，并标注精准的页码和相关性得分。

5. 图表与知识融合

系统会自动提取 PDF 中的图片和图表（如知识图谱结构图、数据统计图）。在回答问题时，相关联的图片会自动展示在右侧，辅助理解。可以选中图表来进行提问。

📥 快速体验

运行程序：执行 python main.py，系统将自动加载演示数据，您可以直接开始提问！

📦 安装与使用

前置要求

• Python 3.10
• 百度 AIStudio 访问令牌 (Access Token)
• 百度千帆 API Key

1. 克隆仓库

git clone git@github.com:LiaoYFBH/Paddle-ERNIE-RAG.git
cd Paddle-ERNIE-RAG

2. 安装依赖

# 基础依赖
pip install -r requirements.txt

3. 启动系统

python main.py

启动后，终端会显示本地访问地址（通常为 http://127.0.0.1:7860）。

⚙️ 环境变量配置

您可以在启动 UI 后在“系统配置”面板填写，也可以在项目根目录创建 .env 文件预设：

AISTUDIO_ACCESS_TOKEN=your_aistudio_token
QIANFAN_API_KEY=your_qianfan_key
OCR_API_URL=xxx
# 可选：如果使用云端 Milvus
MILVUS_URI=https://...
MILVUS_TOKEN=...

📄 许可证

MIT License