# rag-agent

**Repository Path**: leke_code/rag-agent

## Basic Information

- **Project Name**: rag-agent
- **Description**: 文档RAG检索生成系统
fastapi+ milvus + langchain + langgraph + deepseek
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-03-18
- **Last Updated**: 2026-03-18

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# RAG 文档查询系统

## 1. 项目介绍

RAG 文档查询系统是一个基于检索增强生成（Retrieval-Augmented Generation, RAG）技术的智能文档问答系统。该系统允许用户上传 PDF、DOCX 和 TXT 格式的文档，并通过自然语言查询来获取文档中的相关信息。

系统主要功能包括：
- 支持多种文档格式上传（PDF、DOCX、TXT）
- 文档内容自动切分和向量化存储
- 基于 Milvus 向量数据库的高效相似性检索
- 集成 DeepSeek 大语言模型进行智能问答
- 支持多轮对话和会话管理
- 提供完整的 RESTful API 接口

该系统使用 FastAPI 构建 Web 服务，利用 Langchain 框架实现 RAG 流程，通过 Milvus 作为向量数据库存储文档嵌入向量，为用户提供准确的文档问答服务。

## 2. 安装依赖（uv环境）

本项目使用 uv 进行依赖管理，需要 Python 3.10 或更高版本。

    # 克隆项目
    git clone https://gitee.com/ruan229243665/rag-agent.git
    cd rag-agent

    # 使用 uv 创建虚拟环境并安装依赖
    uv venv
    source .venv/bin/activate  # Linux/Mac
    # 或在 Windows 上使用: .venv\Scripts\activate

    # 安装项目依赖
    uv pip install -r pyproject.toml

### 环境配置

配置 ```.env``` 文件

## 3. 快速开始

1. 确保已安装所有依赖并配置好环境变量

2. 启动 Milvus 向量数据库（需要预先安装并运行 Milvus）

3. 运行项目
    ```
    # (可选) 设置hf镜像
    export HF_ENDPOINT=https://hf-mirror.com
    # 启动项目
    uvicorn main:app --host 0.0.0.0 --port 8000
    ```
    或者直接运行：
    ```
    python main.py
    ```
## 4. 项目目录

    rag_mcp_agent/
    ├── main.py              # 主应用文件，包含所有 API 端点
    ├── settings.py          # 配置文件，包含所有环境变量和配置参数
    ├── utils.py             # 工具函数，如文件名安全处理、文件类型检查等
    ├── pyproject.toml       # 项目依赖配置文件
    ├── README.md            # 项目说明文档
    ├── uploads/             # 上传文件存储目录（运行时自动创建）
    └── vector_db/           # 向量数据库相关文件（运行时自动创建）