🤖 RAG 智能客服助手 基于 Streamlit + FastAPI + LangChain + Chroma 构建的检索增强生成（RAG）智能问答系统 支持本地知识库管理、多会话对话、流式回答、API 服务化部署 ✨ 项目特性 📚 本地知识库管理：支持 TXT / MD / JSON 文件上传 💬 双模式对话：RAG 知识库模式 + 普通聊天模式 🔄 流式输出：AI 回答实时显示，体验流畅 🧩 多会话管理：创建、切换、保存、删除历史对话 🌐 API 服务：FastAPI 提供同步 / 流式接口，方便二次开发 📦 轻量化部署：本地一键启动，无需复杂环境 🧱 技术栈 前端界面：Streamlit 后端服务：FastAPI 大模型：通义千问（DashScope） 向量库：Chroma 框架：LangChain 存储：本地文件 + 向量数据库 🚀 快速开始
- 克隆项目 bash 运行 git clone https://github.com/hu748/rag-customer-service.git cd 你的仓库名
- 安装依赖 bash 运行 pip install -r requirements.txt
- 配置 API Key 在项目根目录创建 .env 文件： env DASHSCOPE_API_KEY=你的阿里云百炼API Key
- 启动 Web 界面 bash 运行 streamlit run app_qa.py 访问：http://localhost:8501
- 启动 API 服务 bash 运行 python api.py API 文档：http://localhost:8000/docs 📁 项目结构 plaintext ├── app_qa.py # Streamlit 主界面 ├── api.py # FastAPI 接口服务 ├── rag.py # RAG 核心逻辑 ├── vector_stores.py # 向量库管理 ├── file_history.py # 会话历史存储 ├── config_data.py # 配置文件 ├── requirements.txt # 依赖清单 ├── .env # 环境变量（不上传 GitHub） ├── .gitignore # Git 忽略文件 └── README.md # 项目说明 📌 功能使用说明 配置 API Key 在侧边栏输入 DashScope API Key 并应用 上传知识库 支持 .txt/.md/.json 文件，自动切片入库 开始对话 可切换「知识库模式」，支持多会话 管理会话 查看历史、创建新会话、清空对话 API 调用 支持同步问答、流式问答、会话删除接口 🧪 API 接口列表 GET /health 健康检查 POST /chat 同步聊天 POST /chat/stream 流式聊天 DELETE /session/{session_id} 删除会话 完整文档：http://localhost:8000/docs 📝 注意事项 API Key 请妥善保管，不要上传到 GitHub 知识库文件默认存储在 ./chroma_db 会话历史保存在 ./chat_history 1.API Key 配置失败 检查 API Key 是否正确 确保网络可以访问阿里云 DashScope 服务 确认 API Key 有足够的调用额度
- 文件上传失败 检查文件格式是否支持 确保文件大小不超过 10MB PDF 文件如果是扫描件可能无法解析
- 知识库回答不准确 调整similarity_threshold参数（增大可返回更多相关文档） 优化文档内容，确保关键信息完整 调整chunk_size参数优化文档分片
- 聊天历史不保存 检查chat_history目录权限 确保 session_id 正确设置 检查文件写入权限 九、注意事项 API Key 属于敏感信息，请勿泄露 建议定期备份chroma_db（向量库）和chat_history（聊天记录）目录 大文件上传时建议分批次处理 生产环境部署时请配置合适的 CORS 策略（当前 API 为全开放） 建议使用虚拟环境隔离依赖 🤝 贡献 欢迎提交 Issue 与 PR！ 🧡 作者 基于 LangChain + RAG 开发 欢迎 Star 支持～
