RAG‑QA 知识助手（Retrieval‑Augmented Generation 问答系统）的演示 / 原型项目，结构清晰、功能全面，适合作为面试展示或快速搭建知识检索服务的参考。

---

🔍 项目概述

• 目标
  利用文档检索 + 大语言模型创建一个可以上传资料、构建向量数据库并对用户提问进行智能回答的服务。
• 架构
  FastAPI 提供 REST 接口和简易前端；核心逻辑封装在 middleware_qa 包中，支持多种代理(agent)工作流用于不同任务（配置转换、故障排查、安全评估等）。

---

✅ 主要功能

1. 用户管理
   SQLite 后端，注册/登录、资料更新、连续失败锁定账号。

2. 文档摄取
   支持 PDF、TXT、Markdown、DOCX、CSV/Excel 等格式。文件清洗、分块后用 HuggingFace 嵌入模型生成向量，存入 ChromaDB。

3. RAG 聊天接口
   /api/chat 根据检索到的文档上下文和 DeepSeek LLM 产生回答，支持流式返回与用户历史、个性化。

4. 分析工具
   文档摘要、跨文件比较、自动表格解析并导出 Excel 等。

5. 文件管理
   列表、单个删除、清空整个数据集/数据库。

6. 中间件 QA 工作流
   middleware_qa 中的模块构成可组合代理图，按意图路由检索、分析、生成，实现灵活的任务流水线。

---

🛠 技术栈

• 语言 & 框架
  Python 3.10+，FastAPI（Web 服务）、UNIX shell 脚本（启动）。

• 数据库
  SQLite（用户、会话等）。

• 向量检索
  ChromaDB 存储向量，HuggingFace sentence‑transformers 生成嵌入。

• LLM / API
  DeepSeek 客户端 (deepseek_client.py) 做为生成模型后端。

• 依赖库
  langchain、pandas、passlib、python-multipart 等常见 AI/数据处理库。

• 项目结构亮点

  • backend：数据库模型、RAG 工具。
  • middleware_qa：代理、意图、工作流、实用函数。
  • static：网页前端。
  • tests：基础单元测试。
  • 脚本目录 (scripts) 用于快速检查与评估。

---

🗂 目录结构

main.py               # FastAPI 启动
backend/              # 用户与 RAG 辅助
middleware_qa/        # 代理与工作流
  … agents、api、graph、llm、registry、utils 等
static/               # 前端 HTML
tests/                # 单元测试
debug_*.py            # 调试脚本

---

📌 使用流程（概览）

1. 安装依赖：pip install -r requirements.txt
2. 配置环境（.env 设置向量库目录、模型、API key 等）。
3. 启动服务：python main.py，访问 http://localhost:8000。
4. 上传/摄取文档 → 建立向量库 → 通过 /api/chat 提问或使用前端交互。

---

💡 面试讨论点

• RAG 架构与文档加载、检索上下文组装
• Chat 个性化与用户画像追踪
• FastAPI 的流式响应、文件处理、安全设置
• 代理工作流如何通过 langgraph 组合并扩展
• 可能的改进：安全性、容错、水平扩展、多模型支持等

---

该项目为简洁可扩展的知识问答平台示例，涵盖从文档摄取到智能回复的全链路，技术栈现代且具有演示价值。