Wiki-RAG 双引擎企业知识问答系统

基于 Karpathy LLM Wiki 范式 + RAG 的企业级知识管理解决方案

---

核心理念

不是又一个 RAG Chatbot。

现有的 RAG 问答系统只能「检索 → 回答」，答案随对话消失，同样的 问题被反复搜索。本系统实现了 Wiki + RAG 双引擎架构：

• Wiki 引擎：将高质量答案结构化沉淀，知识越用越厚
• RAG 引擎：兜底检索未结构化的原始文档
• 知识复利：RAG 产生的优质答案自动回流 Wiki，相同问题不查两遍

用户提问 → 先查 Wiki（精确命中） → 未命中 → RAG 兜底 → 好答案写回 Wiki

---

快速开始

环境要求

• Python 3.10+
• Ollama（本地 LLM 推理）
• 16GB+ RAM（笔记本开发）
• 8GB+ VRAM（台式机跑模型，可选）

1. 克隆项目

git clone <your-repo-url>
cd CodeXFiles

2. 安装依赖

pip install -r backend/requirements.txt

3. 配置环境变量

cp .env.example .env
# 编辑 .env，配置 LLM Provider 和台式机 IP

4. 启动 Ollama（台式机）

# 在台式机上
ollama serve
ollama pull qwen2.5:7b

5. 启动后端

cd backend
python main.py
# 访问 http://localhost:8000/docs 查看 API 文档

---

技术栈

模块	技术
后端	FastAPI + Python 3.10+
LLM	Ollama Qwen2.5-7B（可切换 OpenAI/智谱）
Embedding	BGE-small-zh
向量库	Chroma
文档解析	LangChain Loaders
Wiki 格式	Markdown + Git

---

项目结构

详见 docs/architecture.md

---

API 文档

启动后访问 http://localhost:8000/docs 查看 Swagger 文档。

主要接口：

方法	路径	说明
POST	/api/ingest	上传文档
POST	/api/query	知识问答
GET	/api/wiki/index	Wiki 目录
POST	/api/wiki/lint	健康检查

---

创新点

1. Wiki + RAG 双引擎：结构化精确检索 + 非结构化语义兜底
2. 知识复利机制：每次回答都在沉淀，越用越聪明
3. LLM 驱动的 Wiki 维护：自动交叉引用、矛盾检测、过期标记
4. Karpathy 范式工程化落地：从概念到可运行的企业级系统

---

License

MIT