CUITCCA — 成都信息工程大学校园 AI 助手

基于 FastAPI + LlamaIndex + ChromaDB 的校园 RAG 智能问答系统，支持多索引知识库管理、混合检索、条件重排与流式问答。

项目介绍

CUITCCA（CUIT Campus AI Assistant）是为成都信息工程大学（CUIT）打造的校园智能问答系统，采用 RAG（Retrieval-Augmented Generation）架构，把校园各类公开文档（招生、就业、规章制度、学习资源等）转化为可检索的知识库，让师生用自然语言就能快速获取准确答案，而不是在几十个 PDF 与网页里翻找。

解决什么问题

校园信息分散在多个部门网站、PDF、Excel 中，检索成本高
通用搜索引擎无法理解校园术语与校内政策语境
传统关键词搜索无法处理"图书馆怎么借书"这类自然语言追问

为什么选择它

检索质量有评测护航：BM25 + Dense RRF 混合检索 + 条件 cross-encoder 重排，每一档都有 golden 集 hit_rate/MRR 评测数据支撑（见评测）
增量摄取不堆垃圾：上传文档按内容 sha256 去重，重复上传自动跳过、内容变化原地更新，同名跨目录冲突有显式消解策略
本地开发友好、生产安全：CUITCCA_API_KEY 未配置时读写接口自动跳过认证便于本地联调，配置后即强制 Bearer 鉴权
可观测性开箱即用：OpenTelemetry + OpenInference 链路追踪，环境变量门控，零侵入
流式体验：基于 LlamaIndex Workflow 的 token 级流式输出，首字延迟低

适用场景

校园问答机器人（招生咨询、办事指南、学习资源导航）
企业内部知识库问答（替换为本单位语料即可复用）
RAG 架构参考实现（混合检索 + 条件重排 + 增量摄取的工程范本）

功能列表

📚 多索引知识库管理 — 创建 / 删除 / 摘要生成 / 节点级增删改
📤 多格式文档上传 — PDF / DOCX / TXT / MD / CSV / XLSX，单文件与批量
🔍 混合检索 — BM25（jieba 分词）+ Dense 向量，RRF 融合，默认开启
🎯 条件重排 — cross-encoder（bge-reranker-v2-m3），仅低置信度时触发，性能与质量兼顾
💬 流式问答 — QAWorkflow 三步（condense → retrieve → synthesize），token 级流式
🧠 多轮对话 — 问题压缩（condense）+ 会话历史（session cookie + TTLCache）
🔄 增量摄取管道 — UPSERTS 去重，同名冲突消解（同目录取新 / 跨目录全保留）
📊 评测框架 — golden 集 + hit_rate/MRR + A/B/C 对比脚本
🛡️ 安全防护 — 可选 API Key 认证、速率限制、路径穿越防护、文件白名单、CORS 白名单
🔭 可观测性 — OpenTelemetry + OpenInference，span 树导出，环境变量门控
🌙 暗色模式 — 跟随 prefers-color-scheme，覆盖全部页面
💾 对话持久化 — 浏览器 localStorage，刷新自动恢复

技术架构

技术栈

层级	技术
后端框架	Python 3.12+, FastAPI, Uvicorn
AI 框架	LlamaIndex（Workflow / RetrieverQueryEngine / RouterRetriever）
向量存储	ChromaDB（PersistentClient）
嵌入模型	HuggingFace BAAI/bge-m3（本地运行，无需 API key）
重排序	sentence-transformers BAAI/bge-reranker-v2-m3（约 2.2GB）
混合检索	bm25s + jieba 分词，RRF 融合（QueryFusionRetriever）
关系存储	SQLite（访问统计与用户反馈）
前端	TypeScript, Vite MPA, HTML/CSS（无框架）, marked.js + DOMPurify
包管理	uv（Python）, npm（前端）
测试	pytest + pytest-asyncio + pytest-cov, Playwright（E2E）
可观测性	OpenTelemetry SDK + OpenInference instrumentation
CI/CD	GitHub Actions（lint / typecheck / test / coverage / security / e2e / evals）

架构图

flowchart TB
    Client["客户端（浏览器）<br/>index.html · manage.html<br/>feed_back.html · use_function.html"]
    subgraph FastAPI["FastAPI 应用 (main.py)"]
        MW["中间件层<br/>· 会话 Cookie (session_id)<br/>· 速率限制 (30 req / 60s / IP)<br/>· 访问统计 (异步锁)<br/>· CORS 白名单"]
        RT["路由层 (require_api_key_if_configured)"]
        subgraph Routers
            RI["/index<br/>索引 CRUD · 文档上传 · QA"]
            RG["/graph<br/>查询 · 流式聊天 · WebSocket"]
            RM["/manage<br/>统计 · 反馈 · env 只读<br/>(require_configured_api_key)"]
            RR["/response<br/>自定义响应模式"]
        end
        HD["处理层 (Handlers)"]
        subgraph Handlers
            QW["QAWorkflow<br/>condense to retrieve to synthesize"]
            HR["HybridRetriever<br/>BM25 + Dense RRF"]
            IP["IngestionPipeline<br/>UPSERTS 去重"]
            CR["ConditionalRerank<br/>条件触发重排"]
        end
    end
    LI["LlamaIndex Settings<br/>llm (OpenAI-like) / embed (bge-m3)"]
    subgraph Storage["存储层"]
        CD[("ChromaDB<br/>向量存储 / 检索")]
        DB[("SQLite<br/>统计 / 反馈")]
        DS[("Docstore<br/>增量去重记忆")]
    end
    Client -->|"HTTP / SSE / WebSocket"| MW
    MW --> RT --> Routers
    Routers --> HD --> Handlers
    Handlers --> LI
    LI --> CD
    Handlers --> DS
    Routers --> DB

QAWorkflow 时序图

sequenceDiagram
    participant U as 用户
    participant API as /graph/chat_stream
    participant QW as QAWorkflow
    participant CQ as condense_question
    participant RT as retrieve
    participant ST as synthesize
    participant LLM as Settings.llm
    U->>API: query（多轮带历史）
    API->>QW: run(query, chat_history, streaming=True)
    QW->>CQ: StartEvent
    alt 无历史（单轮）
        CQ->>CQ: 直接透传 query（零 LLM 调用）
    else 有历史
        CQ->>LLM: acomplete(CONDENSE_PROMPT)
        LLM-->>CQ: 压缩后独立问题
        Note over CQ: 压缩失败时降级用原始 query
    end
    CQ->>RT: CondenseEvent(query_str)
    RT->>RT: retriever.aretrieve（0/1/多索引分支）
    Note over RT: HybridRetriever: BM25 + Dense RRF
    RT->>RT: ConditionalRerank.postprocess_nodes
    Note over RT: top1 分数 >= 0.75 跳过 rerank<br/>否则触发 cross-encoder
    RT->>ST: RetrieveEvent(nodes)
    ST->>LLM: astream_chat(QA_PROMPT + nodes)
    loop 每个 token
        LLM-->>ST: delta
        ST-->>API: TokenEvent(token)
        API-->>U: text/plain 流式片段
    end
    ST->>QW: StopEvent(response + source_nodes)
    API->>API: 更新会话历史 / last_query_response

数据流图（文档上传）

flowchart LR
    A["客户端上传文件"] --> B["validate_upload_file<br/>类型白名单 + 大小校验"]
    B --> C["safe_filename<br/>去除路径分隔符（防穿越）"]
    C --> D["SAVE_PATH/index_id/<br/>永久存储（失败回滚）"]
    C --> E["LOAD_PATH/uuid_name<br/>临时文件"]
    E --> F["insert_into_index<br/>SimpleDirectoryReader 解析"]
    F --> G["SentenceSplitter 切块"]
    G --> H["Settings.embed_model 嵌入"]
    H --> I[("ChromaDB collection")]
    H --> J[("docstore（线上路径）")]
    K["invalidate_hybrid_retriever_cache<br/>清空 BM25 缓存"] -.-> I
    E -.->|"finally 删除临时文件"| L["清理"]

详细的模块职责、设计决策与数据流分析见架构文档。

快速开始

前置要求

Python >= 3.12
uv 包管理器
Node.js >= 18（前端开发可选，生产构建需要）
可访问的 OpenAI 兼容 LLM API（或本地部署的等价服务）

四步启动

# 1. 克隆仓库
git clone https://github.com/chuanyue98/CUITCCA.git
cd CUITCCA

# 2. 安装依赖（uv 会自动创建虚拟环境）
uv sync

# 3. 配置环境变量
cp backend/.env.example backend/.env
#   编辑 backend/.env，至少填入 OPENAI_API_KEY

# 4. 启动后端（开发模式，热重载）
make dev

启动后访问：

前端界面：http://localhost:8522/web/
交互式 API 文档：http://localhost:8522/docs
ReDoc：http://localhost:8522/redoc

服务默认监听 0.0.0.0:8522，可由 HOST / PORT 环境变量覆盖。

前端开发（可选）

make frontend-install   # 安装前端依赖
make frontend-dev       # Vite 开发服务器（http://localhost:5173，代理 API 到 8522）
make frontend-build     # 构建生产产物到 backend/app/static/

安装方式

源码安装

见快速开始。推荐用 uv sync 一键装齐 Python 依赖。

启动脚本

仓库附带便捷脚本：

./backend.bash     # Linux / macOS
backend.bat        # Windows

Docker（社区示例）

仓库未内置 Dockerfile，可参考 docs/deployment.md 中的示例 Dockerfile 自行构建。Roadmap 计划提供官方镜像。

systemd

生产部署推荐 systemd 托管，单元文件模板见 docs/deployment.md。

配置说明

所有配置通过 backend/.env 注入（模板见 backend/.env.example）。配置项按用途分组如下。

基础配置

变量	默认值	说明
`OPENAI_API_KEY`	（必填）	LLM API 密钥
`OPENAI_API_BASE`	`https://api.openai.com/v1`	OpenAI 兼容 API 地址
`OPENAI_MODEL`	`sensenova-6.7-flash-lite`	使用的 chat 模型名
`HOST`	`0.0.0.0`	服务绑定地址
`PORT`	`8522`	服务端口
`VERBOSE`	`False`	详细日志输出

检索配置

变量	默认值	说明
`SIMILARITY_TOP_K`	`5`	主查询路径默认 top_k
`QUERY_ENDPOINT_TOP_K`	`2`	`/index/{name}/query` 专用 top_k
`MULTI_INDEX_FALLBACK_TOP_K`	`3`	多索引回退 top_k
`HYBRID_RETRIEVAL_ENABLED`	`True`	混合检索开关（BM25 + Dense RRF）
`RERANK_ENABLED`	`True`	条件触发式 rerank 开关
`RERANK_RECALL_K`	`20`	Rerank 候选召回数
`RERANK_TOP_N`	`5`	Rerank 后保留 top N
`RERANK_SCORE_THRESHOLD`	`0.75`	top1 分数 >= 此值时跳过 rerank
`RERANKER_MODEL`	`BAAI/bge-reranker-v2-m3`	cross-encoder 模型

存储路径配置

路径相对 backend/app/ 解析。

变量	默认值	说明
`INDEX_SAVE_DIRECTORY`	`../../data/indexes/`	索引持久化目录
`SAVE_PATH`	`../../data/upload_files`	上传文件永久存储
`LOAD_PATH`	`../../data/temp/`	上传临时目录
`CHROMA_DB_PATH`	`../../data/chroma_db/`	ChromaDB 数据目录
`DB_PATH`	`../../data/app.db`	SQLite 数据库路径

安全配置

变量	默认值	说明
`CUITCCA_API_KEY`	（空）	管理接口认证密钥；未配置时 `/index` `/graph` `/response` 跳过认证便于本地开发，`/manage` 返回 503
`COOKIE_SECURE`	`False`	Cookie Secure 标志（HTTPS 下应设 `True`）
`COOKIE_MAX_AGE`	`86400`	Cookie 有效期（秒）
`CORS_ORIGINS`	localhost 系列	允许的 CORS 源（逗号分隔）

可观测性配置

变量	默认值	说明
`CUITCCA_TRACING_ENABLED`	（空）	显式开启链路追踪
`OTEL_EXPORTER_OTLP_ENDPOINT`	（空）	OTLP HTTP endpoint，设置即视为开启
`OTEL_SERVICE_NAME`	`cuitcca`	service.name

详见 docs/observability.md。

API 文档

完整端点说明见 docs/api.md，运行时交互式文档在 /docs 与 /redoc。所有路由组均挂载 require_api_key_if_configured 依赖：未配置 CUITCCA_API_KEY 时跳过认证（便于本地开发），配置后强制 Bearer 鉴权；/manage 组使用更严格的 require_configured_api_key（未配置直接 503）。

`/index` — 索引与文档管理

GET /index/ · GET /index/list · POST /index/create · POST /index/delete · GET /index/{name}/info · POST /index/{name}/query · POST /index/{name}/uploadFile · POST /index/{name}/uploadFiles · POST /index/{name}/upload_file_by_QA · POST /index/{name}/insertdoc · POST /index/{name}/update · POST /index/{name}/deleteDoc · POST /index/{name}/deleteNode · GET /index/{name}/get_summary · POST /index/{name}/set_summary · POST /index/{name}/generate_summary · POST /index/{name}/getfile · POST /index/{name}/evaluator · POST /index/{name}/save

`/graph` — 查询与聊天

POST /graph/query · POST /graph/query_stream（SSE 流式） · POST /graph/chat_stream（多轮流式） · POST /graph/workflow_query · POST /graph/workflow_query_stream · POST /graph/query_sources · POST /graph/query_history · POST /graph/create · POST /graph/agent · POST /graph/query_router · WS /graph/query（需 API Key）

`/manage` — 管理接口（严格鉴权）

GET /manage/stats · POST /manage/feedback · GET /manage/feedback · GET /manage/env（只读脱敏，已移除在线修改能力）

`/response` — 自定义响应模式

POST /response/{name}/query（按 ResponseMode + PromptType 合成）

使用示例

以下示例假设服务运行在 http://localhost:8522，且未配置 CUITCCA_API_KEY（本地开发默认）。配置后请在请求头加 Authorization: Bearer <CUITCCA_API_KEY>。

创建索引

curl -X POST http://localhost:8522/index/create \
  -d "index_name=campus"

上传文件

# 单文件
curl -X POST http://localhost:8522/index/campus/uploadFile \
  -F "file=@/path/to/招生简章.pdf"

# 批量
curl -X POST http://localhost:8522/index/campus/uploadFiles \
  -F "files=@a.pdf" -F "files=@b.docx"

非流式问答

curl -X POST http://localhost:8522/graph/query \
  -d "query=图书馆怎么借书？"
# => {"response": "..."}

流式问答（SSE）

curl -N -X POST http://localhost:8522/graph/chat_stream \
  -d "query=学校有哪些社团？"
# => 逐 token 返回 text/plain 片段

获取参考来源

curl -X POST http://localhost:8522/graph/query_sources
# => {"source_nodes": [{"id":"...","text":"...","score":0.85}]}

部署方式

Docker

参考 docs/deployment.md 中的示例 Dockerfile。生产环境务必：

配置强随机的 CUITCCA_API_KEY
设置 COOKIE_SECURE=true（HTTPS 下）
用 CORS_ORIGINS 限制允许的源

systemd

单元文件模板与启用步骤见 docs/deployment.md。

Nginx 反向代理

server {
    listen 80;
    server_name cuitcca.example.com;
    client_max_body_size 50M;
    location / {
        proxy_pass http://127.0.0.1:8522;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

完整说明（含 Chroma 持久化备份、生产加固清单）见 docs/deployment.md。

开发指南

常用命令（Makefile）：

make dev               # 开发服务器（热重载）
make run               # 生产服务器
make test              # pytest 测试
make lint              # ruff 代码风格检查
make typecheck         # mypy 类型检查
make security          # pip-audit + bandit 安全扫描
make format            # 自动格式化
make clean             # 清理缓存
make frontend-install  # 安装前端依赖
make frontend-dev      # 前端开发服务器
make frontend-build    # 构建前端到 backend/app/static/

代码规范与提交流程见 CONTRIBUTING.md，本地开发细节（含前端调试、E2E）见 docs/development.md。

行宽限制：120 字符
Python 版本：3.12+（CI 矩阵覆盖 3.12 / 3.13）
提交 PR 前建议跑：make lint typecheck test

测试

后端测试

make test                                          # 全量测试
uv run pytest tests/ -v --cov=backend/app          # 带覆盖率
uv run pytest tests/ -m "not eval"                 # 跳过评测类测试
uv run pytest tests/test_hybrid_retriever.py -v    # 单文件

测试规模：300+ 用例，覆盖率 94%+（CI 强制 fail_under=90）
覆盖索引 CRUD、混合检索、QAWorkflow、增量摄取、认证中间件、上传校验、可观测性等

前端测试

类型检查：cd frontend && npx tsc --noEmit（CI 已接入）
E2E 测试：Playwright，位于 tests/playwright/，见开发指南文档

前端单元测试（vitest）已列入 Roadmap，当前以 TypeScript 类型检查 + Playwright E2E 兜底。

E2E（Playwright）

cd tests/playwright && npm ci
npx playwright install --with-deps chromium
npx playwright test                 # 需后端运行于 8522

CI 中 E2E 流水线（.github/workflows/e2e.yml）会在配置了 OPENAI_API_KEY secret 时跑真实问答 spec，未配置则跳过真实问答、仅跑 UI 结构/交互用例。

评测

检索质量评测框架位于 evals/，golden 集 + hit_rate/MRR + A/B/C 对比。完整说明见 evals/README.md。

uv run python evals/ingest_corpus.py                  # 导入评测语料
uv run python evals/run_retrieval_eval.py             # 检索基线
uv run python evals/run_hybrid_eval.py                # 混合检索 A/B/C
uv run python evals/run_rerank_eval.py                # Rerank A/B
uv run python evals/run_workflow_retrieval_eval.py    # Workflow 检索

关键结论（campus-corpus，详见 evals/README.md）：

指标	纯向量基线	+ 混合检索	+ 混合 + rerank
hit_rate@1	75%	85%	90%
MRR@5	0.852	0.896	0.910
平均延迟	13ms	+2ms	+660ms（仅低置信度触发）

Demo 截图

截图由维护者本地运行 scripts/take_screenshots.py 生成，未生成前为占位图。

生成截图：

# 前置：后端已运行于 localhost:8522（make dev）
pip install playwright && playwright install chromium
uv run python scripts/take_screenshots.py
# 截图输出到 docs/screenshots/

脚本支持 --base-url 与 --output-dir 参数，详见 scripts/take_screenshots.py 顶部 docstring。

Roadmap

v0.4.0（计划中）

前端组件化重构（当前为原生 TS，无框架）
官方 Docker 镜像与 docker-compose 一键部署
多语言界面（i18n）
Agent 工具调用（接入 MCP 工具，替换 QAWorkflow synthesize step 中的工具选择钩子）
前端 vitest 单元测试接入

v1.0 目标

检索质量稳定达标（hit_rate@1 >= 95%）
多模态文档支持（图片 / 扫描件 OCR）
完整管理员后台（统计可视化、反馈看板）
生产级可观测性仪表盘

贡献

欢迎贡献！请先阅读 CONTRIBUTING.md 了解开发环境搭建、代码规范与提交流程。

Bug 与功能建议：GitHub Issues
PR 前请确保 make lint typecheck test 通过

安全

发现安全漏洞请勿公开提 Issue，请私下联系维护者。当前已内置的防护见配置说明-安全配置。

许可证

致谢

LlamaIndex — RAG 框架与 Workflow 原语
ChromaDB — 开源向量数据库
FastAPI — 高性能 Python Web 框架
bm25s 与 jieba — 中文 BM25 检索
sentence-transformers — cross-encoder 重排
OpenInference — LLM 链路追踪
成都信息工程大学（CUIT）师生提供的真实语料与反馈

Name		Name	Last commit message	Last commit date
Latest commit History 237 Commits
.github		.github
backend		backend
docs		docs
evals		evals
frontend		frontend
scripts		scripts
tests		tests
.gitignore		.gitignore
.python-version		.python-version
CHANGELOG.md		CHANGELOG.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
Makefile		Makefile
README.md		README.md
backend.bash		backend.bash
backend.bat		backend.bat
pyproject.toml		pyproject.toml
uv.lock		uv.lock

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

CUITCCA — 成都信息工程大学校园 AI 助手

项目介绍

解决什么问题

为什么选择它

适用场景

功能列表

技术架构

技术栈

架构图

QAWorkflow 时序图

数据流图（文档上传）

快速开始

前置要求

四步启动

前端开发（可选）

安装方式

源码安装

启动脚本

Docker（社区示例）

systemd

配置说明

基础配置

检索配置

存储路径配置

安全配置

可观测性配置

API 文档

/index — 索引与文档管理

/graph — 查询与聊天

/manage — 管理接口（严格鉴权）

/response — 自定义响应模式

使用示例

创建索引

上传文件

非流式问答

流式问答（SSE）

获取参考来源

部署方式

Docker

systemd

Nginx 反向代理

开发指南

测试

后端测试

前端测试

E2E（Playwright）

评测

Demo 截图

Roadmap

v0.4.0（计划中）

v1.0 目标

贡献

安全

许可证

致谢

About

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

`/index` — 索引与文档管理

`/graph` — 查询与聊天

`/manage` — 管理接口（严格鉴权）

`/response` — 自定义响应模式