【AI大模型开发】-创建RAG问答实战（LangChain+DeepSeek+Faiss）

1. 项目简介

ChatPDF-Faiss 是一个基于 FAISS 向量数据库的 PDF 文档智能问答系统，能够从 PDF 文档中提取信息并回答用户的问题。该系统利用了阿里云 DashScope API 提供的文本嵌入和大语言模型能力，实现了对 PDF 文档的高效检索和智能问答。

1.1 核心功能

• 从 PDF 文件中提取文本内容和页码信息
• 使用递归字符分割器将文本分割成小块
• 使用 DashScope Embeddings 生成文本嵌入
• 使用 FAISS 创建和管理向量数据库
• 支持将向量数据库保存到磁盘并重新加载
• 使用 Tongyi LLM 生成智能回答
• 显示回答的来源页码，提高可追溯性

2. 技术架构

本项目采用了以下技术栈：

2.1 主要依赖

• PyPDF2：用于从 PDF 文件中提取文本
• langchain_community：提供向量存储和 LLM 接口
• langchain_text_splitters：用于文本分割
• FAISS：高效的向量相似度搜索库
• 阿里云 DashScope API：提供文本嵌入和大语言模型服务

2.2 工作流程

1. 使用 PyPDF2 从 PDF 文件中提取文本和页码信息
2. 使用 RecursiveCharacterTextSplitter 将文本分割成小块
3. 使用 DashScopeEmbeddings 生成文本嵌入
4. 使用 FAISS 创建向量数据库并保存到磁盘
5. 用户输入查询问题
6. 系统在向量数据库中进行相似度搜索，找到相关文本块
7. 将相关文本块作为上下文，使用 Tongyi LLM 生成回答
8. 显示回答和来源页码

3. 安装与配置

步骤 1：克隆项目

将项目克隆到本地目录：

git clone <项目地址>

步骤 2：安装依赖

进入项目目录并安装所需依赖：

cd ChatPDF-Faiss
pip install -r requirements.txt

步骤 3：配置 API 密钥

本项目需要使用阿里云 DashScope API，因此需要设置环境变量 DASHSCOPE_API_KEY：

Windows 系统：

setx DASHSCOPE_API_KEY "你的API密钥"

Linux/Mac 系统：

export DASHSCOPE_API_KEY="你的API密钥"

**注意：**设置环境变量后，需要重启终端或 IDE 才能生效。

4. 使用方法

4.1 基本使用

步骤 1：准备 PDF 文件

将需要处理的 PDF 文件放入项目目录，例如 浦发上海浦东发展银行西安分行个金客户经理考核办法.pdf。

步骤 2：运行脚本

执行 chatpdf-faiss.py 脚本：

python chatpdf-faiss.py

脚本会自动执行以下操作：

• 从 PDF 文件中提取文本和页码信息
• 将文本分割成小块并生成嵌入
• 创建 FAISS 向量数据库并保存到 ./vector_db 目录
• 使用示例查询测试系统功能

4.2 自定义查询

要使用自定义查询，您可以修改 chatpdf-faiss.py 文件中的 query 变量：

# 设置查询问题
query = "客户经理被投诉了，投诉一次扣多少分"
#query = "客户经理每年评聘申报时间是怎样的？"

4.3 加载已保存的向量数据库

如果您已经创建了向量数据库，可以使用 load_knowledge_base 函数加载它，而不需要重新处理 PDF 文件：

# 创建嵌入模型
embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",
    dashscope_api_key=DASHSCOPE_API_KEY,
)
# 从磁盘加载向量数据库
loaded_knowledgeBase = load_knowledge_base("./vector_db", embeddings)
# 使用加载的知识库进行查询
docs = loaded_knowledgeBase.similarity_search("你的问题")

5. 代码解析

5.1 核心函数

5.1.1 extract_text_with_page_numbers

从 PDF 文件中提取文本并记录每个字符对应的页码：

def extract_text_with_page_numbers(pdf) -> Tuple[str, List[Tuple[str, int]]]:
    """
    从PDF中提取文本并记录每个字符对应的页码
    
    参数:
        pdf: PDF文件对象
    
    返回:
        text: 提取的文本内容
        char_page_mapping: 每个字符对应的页码列表
    """
    text = ""
    char_page_mapping = []
​
    for page_number, page in enumerate(pdf.pages, start=1):
        extracted_text = page.extract_text()
        if extracted_text:
            text += extracted_text
            # 为当前页面的每个字符记录页码
            char_page_mapping.extend([page_number] * len(extracted_text))
        else:
            print(f"No text found on page {page_number}.")
​
    return text, char_page_mapping

5.1.2 process_text_with_splitter

处理文本并创建向量存储：

def process_text_with_splitter(text: str, char_page_mapping: List[int], save_path: str = None) -> FAISS:
    """
    处理文本并创建向量存储
    
    参数:
        text: 提取的文本内容
        char_page_mapping: 每个字符对应的页码列表
        save_path: 可选，保存向量数据库的路径
    
    返回:
        knowledgeBase: 基于FAISS的向量存储对象
    """
    # 创建文本分割器，用于将长文本分割成小块
    text_splitter = RecursiveCharacterTextSplitter(
        separators=["\n\n", "\n", ".", " ", ""],
        chunk_size=1000,
        chunk_overlap=200,
        length_function=len,
    )
​
    # 分割文本
    chunks = text_splitter.split_text(text)
    print(f"文本被分割成 {len(chunks)} 个块。")
        
    # 创建嵌入模型
    embeddings = DashScopeEmbeddings(
        model="text-embedding-v1",
        dashscope_api_key=DASHSCOPE_API_KEY,
    )
    
    # 从文本块创建知识库
    knowledgeBase = FAISS.from_texts(chunks, embeddings)
    print("已从文本块创建知识库。")
    
    # 为每个文本块找到对应的页码信息
    page_info = {}
    current_pos = 0
    
    for chunk in chunks:
        chunk_start = current_pos
        chunk_end = current_pos + len(chunk)
        
        # 找到这个文本块中字符对应的页码
        chunk_pages = char_page_mapping[chunk_start:chunk_end]
        
        # 取页码的众数（出现最多的页码）作为该块的页码
        if chunk_pages:
            # 统计每个页码出现的次数
            page_counts = {}
            for page in chunk_pages:
                page_counts[page] = page_counts.get(page, 0) + 1
            
            # 找到出现次数最多的页码
            most_common_page = max(page_counts, key=page_counts.get)
            page_info[chunk] = most_common_page
        else:
            page_info[chunk] = 1  # 默认页码
        
        current_pos = chunk_end
    
    knowledgeBase.page_info = page_info
    print(f'页码映射完成，共 {len(page_info)} 个文本块')
    
    # 如果提供了保存路径，则保存向量数据库和页码信息
    if save_path:
        # 确保目录存在
        os.makedirs(save_path, exist_ok=True)
        
        # 保存FAISS向量数据库
        knowledgeBase.save_local(save_path)
        print(f"向量数据库已保存到: {save_path}")
        
        # 保存页码信息到同一目录
        with open(os.path.join(save_path, "page_info.pkl"), "wb") as f:
            pickle.dump(page_info, f)
        print(f"页码信息已保存到: {os.path.join(save_path, 'page_info.pkl')}")
    
    return knowledgeBase

5.1.3 load_knowledge_base

从磁盘加载向量数据库和页码信息：

def load_knowledge_base(load_path: str, embeddings = None) -> FAISS:
    """
    从磁盘加载向量数据库和页码信息
    
    参数:
        load_path: 向量数据库的保存路径
        embeddings: 可选，嵌入模型。如果为None，将创建一个新的DashScopeEmbeddings实例
    
    返回:
        knowledgeBase: 加载的FAISS向量数据库对象
    """
    # 如果没有提供嵌入模型，则创建一个新的
    if embeddings is None:
        embeddings = DashScopeEmbeddings(
            model="text-embedding-v1",
            dashscope_api_key=DASHSCOPE_API_KEY,
        )
    
    # 加载FAISS向量数据库，添加allow_dangerous_deserialization=True参数以允许反序列化
    knowledgeBase = FAISS.load_local(load_path, embeddings, allow_dangerous_deserialization=True)
    print(f"向量数据库已从 {load_path} 加载。")
    
    # 加载页码信息
    page_info_path = os.path.join(load_path, "page_info.pkl")
    if os.path.exists(page_info_path):
        with open(page_info_path, "rb") as f:
            page_info = pickle.load(f)
        knowledgeBase.page_info = page_info
        print("页码信息已加载。")
    else:
        print("警告: 未找到页码信息文件。")
    
    return knowledgeBase

6. 示例与应用

6.1 示例查询

以下是一些示例查询及其可能的应用场景：

示例 1：政策查询

查询："客户经理每年评聘申报时间是怎样的？"

应用场景：人力资源部门了解员工评聘流程

示例 2：处罚规定查询

查询："客户经理被投诉了，投诉一次扣多少分"

应用场景：员工了解违规处罚规定

示例 3：考核标准查询

查询："客户经理的考核标准有哪些？"

应用场景：新员工了解工作要求

6.2 实际应用场景

• 企业文档管理：快速检索和问答企业政策、规章制度等文档
• 学术研究：从大量学术论文中提取信息并回答问题
• 法律文件分析：快速了解法律条文和案例
• 医疗资料查询：从医疗文档中提取关键信息
• 教育辅助：帮助学生从教材中获取知识

7. 常见问题与解决方案

7.1 常见问题

问题 1：运行脚本时提示缺少 DASHSCOPE_API_KEY 环境变量

解决方案：请按照第 3.3 节的说明设置 DASHSCOPE_API_KEY 环境变量。

问题 2：PDF 文件提取文本失败

解决方案：确保 PDF 文件不是扫描件或图片格式，这些文件需要 OCR 处理才能提取文本。

问题 3：向量数据库加载失败

解决方案 ：确保 ./vector_db 目录存在且包含正确的索引文件，同时确保嵌入模型配置正确。

问题 4：回答质量不佳

解决方案：尝试调整文本分割参数，增加搜索的相关文档数量，或使用更高级的 LLM 模型。

7.2 性能优化建议

• 对于大型 PDF 文件，可以调整 chunk_size 和 chunk_overlap 参数以平衡检索精度和速度
• 考虑使用更高级的文本分割策略，如基于段落或章节的分割
• 对于频繁查询的场景，可以考虑将向量数据库加载到内存中以提高响应速度
• 如果 API 调用受限，可以考虑使用本地嵌入模型

8. 总结与展望

8.1 项目总结

ChatPDF-Faiss 项目成功实现了一个基于向量数据库的 PDF 文档智能问答系统，具有以下特点：

• 高效的文本提取和处理能力
• 准确的向量相似度搜索
• 智能的问答生成
• 可追溯的来源页码
• 易于使用和扩展

8.2 未来展望

未来可以考虑以下功能扩展：

• 支持多语言 PDF 文档
• 集成 OCR 功能，支持扫描件 PDF
• 添加用户界面，提高用户体验
• 支持批量处理多个 PDF 文件
• 实现文档自动更新和增量索引
• 添加对话历史功能，支持多轮对话
• 集成更多 LLM 模型，提供模型选择功能