一、项目前言

当下RAG（检索增强生成）技术是大模型落地应用的核心方案，市面上多数RAG项目依赖云端大模型API、向量服务，部署复杂且存在数据隐私泄露风险。对于新手学习、个人知识库使用场景，笨重的企业级RAG架构完全没必要。

因此本文复现一款轻量级、纯本地部署、零API依赖的RAG知识库问答系统。项目基于Streamlit搭建可视化界面，实现文档上传、本地知识存储、智能问答全流程，架构规范可扩展，既能作为RAG入门练手项目，也可日常用于个人知识检索。

项目核心优势：

• 完全本地化：无需联网、无需任何大模型API Key，彻底告别401认证、接口超时问题

• 功能完整：支持TXT文档上传、自动去重、知识库持久化、多轮对话问答

• 架构规范：区分基础运行模块与高阶扩展模块，预留向量检索、大模型升级接口

• 极简易部署：基于Streamlit快速搭建，代码简洁、无冗余依赖，新手可一键运行

二、项目整体架构与文件说明

2.1 完整目录结构

本项目采用模块化分层设计，职责解耦，兼顾可用性与扩展性，完整目录如下：

chatbot/
├── app_chat.py          # 问答可视化前端界面（核心运行）
├── app_upload.py       # 知识库文件上传界面（核心运行）
├── rag.py              # RAG问答核心逻辑（核心运行）
├── knowledge_base.py   # 知识库管理工具类（核心运行）
├── vector_stores.py    # 向量库扩展模块（预留高阶功能）
├── config_data.py      # 全局配置文件（预留高阶功能）
├── local_kb.txt        # 自动生成-本地知识库存储文件
└── local_md5.txt       # 自动生成-文件去重记录文件

2.2 文件功能详细解析

核心运行模块（当前版本必需）

• app_chat.py：系统问答前端页面，基于Streamlit实现多轮对话界面，展示用户提问与机器回答，记录对话历史，调用核心RAG问答接口。

• app_upload.py：知识库上传专属界面，支持本地TXT文件上传，联动知识库工具类完成文件解析与存储。

• knowledge_base.py：知识库管理核心工具，实现文件内容读取、本地持久化存储、MD5文件去重，避免重复上传冗余数据。

• rag.py：RAG核心逻辑层，负责启动加载本地知识库、关键词检索匹配、问答结果返回，兼容后续LangChain链调用格式。

预留扩展模块（当前版本不启用，保留架构）

• config_data.py：全局配置中心，预留向量库参数、文本分块参数、模型路径、项目路径等通用配置。当前轻量版本无需硬编码配置，后续升级向量检索、大模型功能时可直接启用，规范项目代码。

• vector_stores.py：向量数据库管理模块，为高阶RAG功能预留。后续可接入Chroma、FAISS等向量库，搭配Embedding模型实现语义检索（替代当前关键词匹配），大幅提升问答智能度。

三、核心功能模块实现（代码框架讲解）

本文仅展示各模块核心代码框架与逻辑思路，剔除冗余重复代码，聚焦功能实现原理，方便读者理解与二次开发。

3.1 知识库管理模块（knowledge_base.py）

核心功能：接收上传文件内容、写入本地知识库、MD5哈希去重，保证知识库数据整洁，避免重复存储相同内容。

class KnowledgeBaseService:
    # 文件上传、内容持久化、MD5去重核心方法
    def upload_by_str(self, data: str, filename):
        # 1. 将上传文本内容写入本地知识库文件
        # 2. 计算文件MD5哈希值，校验是否已存在
        # 3. 新增文件记录，返回上传状态提示
        pass

3.2 RAG核心问答模块（rag.py）

项目核心逻辑，实现知识库自动加载、关键词检索、问答应答，同时预留chain属性，兼容后续LangChain流式输出、大模型扩展。

class RagService:
    def __init__(self):
        # 项目启动自动加载本地知识库
        self.knowledge_lines = self._load_knowledge_base()

    # 读取本地知识库文件
    def _load_knowledge_base(self):
        # 异常捕获，处理文件不存在、文件为空场景
        pass

    # 核心问答匹配逻辑
    def ask(self, question):
        # 1. 校验知识库是否加载成功
        # 2. 关键词遍历匹配知识库内容
        # 3. 返回匹配结果或无数据提示
        pass

    # 兼容高阶扩展的链属性（预留功能）
    @property
    def chain(self):
        # 适配流式输出、模型调用的伪链对象
        pass

3.3 上传界面模块（app_upload.py）

基于Streamlit实现可视化文件上传页面，初始化知识库服务，监听文件上传事件，实时返回上传结果。

import streamlit as st
from knowledge_base import KnowledgeBaseService

# 页面初始化与配置
st.title("知识库文件上传中心")
# 初始化会话服务
if "kb" not in st.session_state:
    st.session_state.kb = KnowledgeBaseService()

# 监听文件上传并执行存储逻辑
uploaded_file = st.file_uploader("上传TXT知识库文件", type=["txt"])
if uploaded_file:
    # 读取文件内容、调用上传方法、展示结果
    pass

3.4 问答对话界面模块（app_chat.py）

系统前端交互核心，实现页面渲染、对话历史记录、用户提问接收、问答结果展示，界面简洁流畅，支持多轮对话。

import streamlit as st
from rag import RagService

# 页面全局配置
st.set_page_config(page_title="本地RAG智能问答", page_icon="🧠")
st.title("🧠 本地知识库智能问答系统")

# 初始化RAG服务与对话历史
if "rag" not in st.session_state:
    st.session_state.rag = RagService()
if "messages" not in st.session_state:
    st.session_state.messages = []

# 渲染历史对话
for msg in st.session_state.messages:
    # 展示用户/助手对话记录
    pass

# 接收用户提问并返回答案
user_input = st.chat_input("请输入你的问题...")
if user_input:
    # 保存提问、调用RAG问答、渲染回答结果
    pass

四、环境部署与项目运行

4.1 环境依赖安装

项目依赖极简，仅需安装Streamlit可视化框架，推荐使用虚拟环境部署，避免环境冲突。

# 创建虚拟环境
conda create -n chatbot python=3.10
# 激活环境
conda activate chatbot
# 安装核心依赖
pip install streamlit

4.2 项目启动流程

项目分为上传服务和问答服务两个页面，需分别启动，分工明确：

# 启动知识库上传服务（默认8501端口）
streamlit run app_upload.py

# 启动智能问答服务（指定8502端口，避免冲突）
streamlit run app_chat.py --server.port 8502

4.3 完整使用流程

1. 启动上传服务，上传自定义TXT格式知识库文件（如公式、知识点、笔记文档）；

2. 系统自动完成内容存储与去重，生成本地知识库文件；

3. 启动问答服务，输入相关问题，系统自动检索知识库并返回对应答案；

4. 支持多轮连续问答，自动保存对话历史。

五、项目效果展示

六、项目优势与迭代扩展方向

6.1 项目核心优势

• 纯本地离线运行：无任何网络请求、无API密钥依赖，彻底解决接口报错、密钥失效问题；

• 优于传统文档查找：区别于Word本地查找，拥有完整RAG项目架构，可扩展语义检索、智能问答；

• 架构高可扩展：预留配置文件、向量库模块，无需重构代码即可升级高阶功能；

• 轻量化易上手：代码简洁、依赖极少，适合新手学习RAG核心原理。

6.2 后续迭代方向

• 启用vector_stores.py模块，接入Chroma向量数据库+本地Embedding模型，实现语义检索，摆脱关键词精准匹配限制；

• 接入本地开源大模型（Qwen、Llama等），实现真正的大模型智能生成回答，而非返回原文；

• 优化config_data.py全局配置，统一管理分块大小、检索数量等参数；

• 新增多文件知识库管理、对话历史导出、知识库在线编辑功能。

七、总结

本次复现的轻量本地RAG知识库问答系统，摒弃了传统RAG项目复杂的云端依赖与冗余配置，以轻量化、实用化、可扩展为核心，实现了文档上传、知识存储、智能问答的完整闭环。

项目既保留了标准RAG的架构规范，又适配新手学习与个人使用场景，解决了云端API依赖、隐私泄露、部署复杂等痛点。同时预留了完整的高阶扩展接口，可无缝升级为企业级语义问答系统，是非常优质的RAG入门实战项目。