项目背景
这个项目挺有意思，基于 GitHub 上的「程序员做饭指南」搭建一个智能食谱问答系统。目标很接地气------解决每天"今天吃什么"的世纪难题。数据是 300 多个 Markdown 格式的菜谱文件，结构统一，非常适合做 RAG。
一、环境配置
bash
conda create -n cook-rag-1 python=3.12.7
conda activate cook-rag-1
pip install -r requirements.txt需要申请 Kimi API Key，注册送 15 元额度够用了。配置好环境变量后直接 python main.py 就能跑。
二、数据准备
这部分的核心思路是小块检索，大块生成。
为什么这么做？因为菜谱按标题分块后，用户问"宫保鸡丁怎么做"可能只检索到"操作步骤"那一块，缺了食材信息就没法完整回答。但如果直接用整个文档做检索，又会因为"用量配比"这种细节在整个文档中占比太小而检索不到。
解决方案是父子文档架构：
父文档（完整菜谱）
├── 子块1：菜品介绍
├── 子块2：必备原料
├── 子块3：制作步骤
└── ...检索时用子块精确匹配，生成时把完整的父文档传给 LLM。
另外还做了元数据增强：从文件路径推断菜品分类（荤菜/素菜/汤品），从内容里的星级标记提取难度等级。这些元数据后面可以用来做过滤检索。
三、索引与检索
索引构建
用 BGE-small-zh-v1.5 做嵌入，FAISS 做向量存储。实现了索引缓存机制，首次构建要几分钟，后面再启动几秒钟就行。
混合检索
采用向量检索 + BM25 双路检索，然后用 RRF 算法融合结果。
两种检索各有所长：向量检索理解语义，能把"简单易做的菜"匹配到标记为"简单"的菜谱；BM25 精确匹配关键词，搜"宫保鸡丁"就能直接命中。RRF 综合两边的排名信息，效果比单一方式好。
RRF 公式其实很简单：对每个文档，把它在两个检索结果中的排名取倒数再加起来，最后按总分排序。
四、生成模块
这部分做了三件事：
查询路由：用 LLM 判断用户意图，分成 list（推荐几道菜）、detail（怎么做）、general（一般问题）三类。
查询重写：对模糊查询进行优化。比如用户就说"做菜"，系统会重写成"简单易做的家常菜谱"，提高检索效果。
多模式生成：
- list 查询：直接返回菜名列表，简洁明了
- detail 查询：结构化输出，包含食材、步骤、技巧
- general 查询：常规回答
五、系统整合
最后把所有模块串起来：数据准备 → 索引构建 → 检索优化 → 生成集成。
完整流程是：用户提问 → 查询路由 → 查询重写 → 混合检索 → 获取父文档 → 根据类型生成回答。
支持流式输出，体验更好。
六、实践总结
⚠️在gitspace上运行代码的时候，需要将api_key从os.get_env改成自己设置的string。但是在main.py里面也有相同的检查，所以要注意不仅在generation.py里面改，main里面相关的检查也要改。
小结
这个项目把前面学的 RAG 知识点串了起来：父子文档分块、混合检索、RRF 重排、查询路由和重写。麻雀虽小五脏俱全，是个不错的实战练习。