一句话硬核总结：基于 RAG 技术的美业垂类智能问答系统，从 PDF 语义切分、向量精准召回，到前端 Vue3 打字机流式渲染，一个人搞定了全栈闭环。
为什么做这个系统？
市面上的通用 LLM（GPT、Claude 等）虽然能力强大，但在专业美业私域场景下存在致命缺陷：
- 幻觉严重：对美容专业知识一知半解，容易给出错误建议
- 缺乏垂类知识：不懂美业术语、产品成分、护理流程等专业知识
- 无法溯源：回答无法关联到具体的知识库文档，用户不敢信任
- 多轮对话断层：无法记住用户肤质、历史咨询等上下文信息
我的解决方案：构建一个完整的 RAG（检索增强生成）系统，让 AI 基于企业私有知识库回答问题，实现精准、可溯源、多轮连贯的专业咨询服务。
从 PDF/Word 文档解析、语义分块策略设计、向量嵌入与检索，到后端流式响应、前端打字机效果渲染，全部由一个人从零到一完成。
用户提问 → 向量检索 → 上下文构建 → LLM 生成 → 流式输出
- 精准召回：使用 BGE-M3 嵌入模型（1024 维向量），在 ChromaDB 中进行语义相似度检索
- 上下文增强：自动将检索到的 Top-K 文档片段注入 Prompt，让 AI 基于真实知识回答
- 可溯源引用：每条回答都附带参考文档及相关度评分，用户可追溯知识来源
支持 PDF / Word / Markdown 三种格式，核心处理流程：
- 语义分块：500 字/块 + 50 字重叠，保证语义完整性，避免关键信息被截断
- 自动向量化：上传即入库，文档内容自动转换为向量并持久化到 ChromaDB
- 元数据管理：保留文档分类、来源等元信息，支持按类别过滤检索
基于 LangChain 实现的对话历史管理：
- 会话隔离：每个用户独立的对话历史，互不干扰
- 滑动窗口：保留最近 20 轮对话，平衡上下文长度与响应质量
- 上下文注入：历史对话自动注入 LLM Prompt，实现连贯的多轮咨询
后端：FastAPI StreamingResponse + SSE 协议，逐 Token 推送
前端：Vue 3 + Fetch Streams API，实时渲染 Markdown，实现丝滑的打字机效果
// 前端核心流式处理逻辑
const reader = response.body?.getReader()
const decoder = new TextDecoder()
while (!done) {
const { value, done: doneReading } = await reader.read()
buffer += decoder.decode(value, { stream: true })
for (const line of lines) {
const event = JSON.parse(line)
if (event.type === 'text_chunk') {
fullResponse += event.content
// 实时更新 UI
messages.value[msgIndex].content = fullResponse
}
}
}- JWT Token：基于 HS256 算法的无状态认证，Token 有效期 30 分钟
- Bcrypt 加密：密码使用 bcrypt 算法（12 轮）加密存储，抗彩虹表攻击
- 权限控制：基于角色的访问控制（RBAC），支持管理员/普通用户角色
Backend: FastAPI + Python 3.10+ | SQLAlchemy + MySQL | ChromaDB（向量存储）| LangChain（对话管理）
Frontend: Vue 3 + TypeScript + Vite | Pinia（状态管理）| Axios + Fetch Streams（流式请求）
AI/LLM: 硅基流动 API（DeepSeek-V3.2）| BGE-M3 嵌入模型（1024 维）
Security: JWT + Bcrypt | CORS 中间件 | SQL 注入防护（SQLAlchemy ORM）
DevOps: Docker 容器化 | Uvicorn ASGI 服务器
sequenceDiagram
participant User as 用户
participant Frontend as Vue3 前端
participant QA_Route as QA 路由
participant Embedding as Embedding 服务
participant VectorDB as ChromaDB
participant ChatService as Chat 服务
participant LLM as DeepSeek API
User->>Frontend: 输入问题并发送
Frontend->>QA_Route: POST /api/qa<br/>{"query": "敏感肌如何选护肤品?",<br/>"user_id": 1, "n_results": 5}
rect rgb(240, 248, 255)
Note over QA_Route,VectorDB: 向量检索阶段
QA_Route->>Embedding: get_embedding(query)
Embedding->>LLM: 调用 BGE-M3 API
LLM-->>Embedding: 返回 1024 维向量
Embedding-->>QA_Route: vector: List[float]
QA_Route->>VectorDB: search_similar(vector, n_results=5)
VectorDB-->>QA_Route: {"documents": [...],<br/>"metadatas": [...],<br/>"distances": [...]}
end
rect rgb(255, 250, 240)
Note over QA_Route,LLM: 流式生成阶段
QA_Route->>ChatService: generate_response(messages, stream=True)
ChatService->>LLM: POST /v1/chat/completions<br/>{"model": "DeepSeek-V3.2",<br/>"messages": [...], "stream": true}
loop SSE 流式响应
LLM-->>ChatService: data: {"choices": [{"delta": {"content": "..."}}]}
ChatService-->>QA_Route: content chunk
QA_Route-->>Frontend: {"type": "text_chunk",<br/>"content": "..."}
Frontend->>Frontend: 实时渲染 Markdown<br/>打字机效果
end
end
LLM-->>QA_Route: [DONE] 信号
QA_Route->>QA_Route: 更新对话历史
QA_Route->>QA_Route: 记录查询日志 QueryLog
QA_Route-->>Frontend: {"type": "complete",<br/>"data": {"response_time": 1234,<br/>"related_docs": [...]}}
Frontend-->>User: 展示完整回答及参考文档
sequenceDiagram
participant Admin as 管理员
participant Doc_Route as Documents 路由
participant Parser as DocumentParser
participant Embedding as Embedding 服务
participant VectorDB as ChromaDB
participant MySQL as MySQL 数据库
Admin->>Doc_Route: POST /api/documents<br/>上传 PDF/Word/Markdown
Doc_Route->>Doc_Route: 保存文件到 uploads/
Doc_Route->>Parser: parse_document(file_path)
alt PDF 格式
Parser->>Parser: pypdf.PdfReader<br/>提取所有页面文本
else Word 格式
Parser->>Parser: python-docx.Document<br/>提取所有段落
else Markdown 格式
Parser->>Parser: 直接读取文件内容
end
Parser-->>Doc_Route: parsed_doc: {"title": "...",<br/>"categories": [...]}
Doc_Route->>Parser: chunk_document(parsed_doc,<br/>chunk_size=500, overlap=50)
Parser-->>Doc_Route: chunks: [{"chunk_content": "...",<br/>"category": "护肤知识", ...}]
Doc_Route->>Embedding: get_embeddings(chunks)
Embedding-->>Doc_Route: embeddings: List[List[float]]
Doc_Route->>VectorDB: add_documents(documents, metadatas, ids, embeddings)
VectorDB-->>Doc_Route: success
Doc_Route->>MySQL: 创建 Document 记录
Doc_Route->>MySQL: 创建 DocumentChunk 记录
Doc_Route-->>Admin: {"code": 200, "document_id": 1}
- Python 3.10+
- Node.js 18+
- MySQL 8.0+
- Redis（可选，用于缓存）
git clone https://github.com/your-username/beauty-system.git
cd beauty-system# 创建虚拟环境
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 安装依赖
pip install -r requirements.txt
# 配置环境变量（创建 .env 文件）
cat > .env << EOF
DATABASE_URL=mysql+pymysql://root:password@localhost:3306/beauty_assistant
SILICONFLOW_API_KEY=your_api_key_here
SECRET_KEY=your_secret_key_here
EOF
# 初始化数据库
python init_database.py
# 启动后端服务
python main.py后端服务运行在 http://localhost:8000，API 文档访问 http://localhost:8000/docs
cd beauty-fonted
# 安装依赖
npm install
# 启动开发服务器
npm run dev前端服务运行在 http://localhost:5173
# 回到项目根目录
cd ..
# 初始化向量数据库
python init_vector_db.py# 构建镜像
docker build -t beauty-assistant .
# 运行容器
docker run -d -p 8000:8000 -p 5173:5173 beauty-assistant| 安全措施 | 实现细节 |
|---|---|
| 密码加密 | Bcrypt 算法，12 轮加密，抗彩虹表攻击 |
| 身份认证 | JWT Token（HS256），30 分钟有效期 |
| SQL 注入防护 | SQLAlchemy ORM 参数化查询 |
| CORS 配置 | 支持跨域，生产环境建议配置白名单 |
| 密码长度限制 | Bcrypt 72 字节限制，自动截断处理 |
| 优化点 | 实现细节 |
|---|---|
| 流式响应 | SSE 协议，首字延迟 < 1s |
| 向量检索 | ChromaDB + HNSW 索引，检索延迟 < 500ms |
| 对话历史 | 滑动窗口（20 轮），避免 Prompt 过长 |
| 前端渲染 | Vue 3 响应式 + 虚拟滚动，流畅渲染长对话 |
| 向量维度 | BGE-M3（1024 维），平衡精度与存储 |
- RAG 全栈闭环：从文档解析、向量入库、语义检索到流式生成，完整实现 RAG 架构
- 智能分块策略：500 字分块 + 50 字重叠，保证语义完整性，避免关键信息截断
- 流式响应架构：后端 SSE + 前端 Streams API，实现丝滑的打字机效果
- 多轮对话记忆：LangChain 管理对话历史，滑动窗口策略平衡上下文长度
- 安全认证体系：JWT + Bcrypt 完整的用户认证方案
- 向量检索优化：BGE-M3 嵌入模型 + ChromaDB，检索延迟 < 500ms
如果这个项目对你有帮助，请给个支持的 Star！谢谢 ⭐️