RAG 系统源码实现（结合 DeepSeek）
RAG 核心逻辑：用户提问→检索知识库相关内容→拼接为上下文→调用 DeepSeek 生成回答。
1. 检索模块（基于向量库）
python
def retrieve_knowledge(query, top_k=3): # 从向量库检索Zui相关的3个chunk docs = vector_db.similarity_search(query, k=top_k) # 拼接检索结果为上下文 context = "\n\n".join([doc.page_content for doc in docs]) # 提取来源信息（用于引用显示） sources = [doc.metadata for doc in docs] return context, sources2. 问答生成（结合 DeepSeek）
python
def rag_qa(query): # 1. 检索知识库 context, sources = retrieve_knowledge(query) # 2. 构建提示词（Prompt Engineering） prompt = f""" 你是公众号专属AI助手，需基于以下知识库内容回答用户问题。 知识库内容： {context} 用户问题：{query} 回答要求： 1. 严格依据知识库内容，不编造信息； 2. 若知识库无相关内容，直接回复“该问题暂未收录，可补充信息后再问”； 3. 结尾注明信息来源（如：来源：《文章》）。 """ # 3. 调用本地DeepSeek生成回答 response = generate_response(prompt) # 复用前文模型推理函数 # 4. 拼接来源信息 source_str = "\n".join([f"来源：《{s['source']}》" for s in sources]) return f"{response}\n\n{source_str}"公众号 AI 系统软件开发全流程
1. 系统架构设计
| 模块 | 技术选型 | 功能描述 |
|---|---|---|
| 前端交互 | 微信公众号 H5（Vue3） | 用户提问输入、回答展示、历史记录 |
| 后端服务 | FastAPI + Celery（异步任务） | 接收请求、调度 RAG 流程、调用模型 |
| 模型服务 | DeepSeek 本地部署（GPU 服务器） | 负责文本生成 |
| 知识库服务 | Chroma + 定时更新脚本 | 向量存储、每日同步公众号新文章 |
| 数据存储 | SQLite（用户数据）+ 本地文件（向量） | 存储用户对话历史、知识库向量数据 |
2. 公众号对接（核心交互流程）
（1）公众号消息接收与回复通过微信公众平台开发者模式，配置服务器 URL（后端 API 接口），接收用户消息并调用 RAG 接口：
python
# FastAPI接收公众号消息示例from fastapi import Request@app.post("/wechat/callback")async def wechat_callback(request: Request): data = await re() # 解析微信XML消息 user_query = data.find("Content").text # 获取用户提问 openid = data.find("FromUserName").text # 用户唯一标识 # 调用RAG生成回答 answer = rag_qa(user_query) # 回复用户（XML格式） return f""" {int(time.time())} """（2）定时更新知识库通过 Celery 定时任务每日同步公众号新文章：
python
from celery import Celeryfrom celery.schedules import crontabapp = Celery('wechat_kg', broker='redis://localhost:6379/0')# 每天凌晨2点更新知识库app.conf.beat_schedule = { 'update-wechat-knowledge': { 'task': 'tasks.update_kb', 'schedule': crontab(hour=2, minute=0), },}# 任务：爬取新文章并更新向量库@app.taskdef update_kb(): new_articles = crawl_new_articles() # 爬取当日新文章 for article in new_articles: process_and_add_to_db(article) # 预处理并添加到向量库3. 性能优化
检索加速 ：对高频查询词建立缓存（Redis），缓存有效期 1 小时。
- 模型推理优化 ：使用vllm部署 DeepSeek（支持 PagedAttention， throughput 提升 3-5 倍）。
- 批量处理 公众号文章更新采用批量嵌入（一次处理 10 篇），减少向量库写入次数。
关键注意事项
1.合规性 ：公众号文章爬取需遵守《微信公众平台运营规范》，避免商用侵权；用户数据存储需符合《个人信息保护法》。
2. 硬件成本 ：7B 模型本地部署Zui低需 RTX 3090（约 1 万元），若预算有限可先使用 CPU 推理（速度较慢，适合测试）。
3. 效果调优 通过调整top_k（检索数量）、提示词模板、文本分割长度优化回答准确性，建议top_k=3-5效果zuijia。
