MyRag

基于 Go 和 Milvus 的 RAG（检索增强生成）学习搜索助手。

功能特性

• 文档向量化: 自动读取 document/ 目录下的 Markdown 文件并进行分片处理
• 向量检索: 使用 Milvus 向量数据库存储和检索相似文档
• 智能问答: 结合检索结果与 LLM 生成回答
• 交互式对话: 支持在控制台输入问题进行实时问答

技术栈

• Go 1.25+
• CloudWeGo Eino: LLM 应用开发框架
• Milvus: 向量数据库
• Ark API: 大语言模型与文本嵌入

项目结构

MyRag/
├── cmd/
│   └── main.go           # 程序入口
├── document/             # 文档存放目录
│   ├── test.md
│   └── test2.md
├── internal/
│   ├── doc.go            # 文档加载与分片
│   ├── entity.go         # 核心结构体定义
│   ├── initilize.go      # 组件初始化
│   ├── milvus.go         # Milvus 客户端
│   └── process.go        # RAG 查询处理
├── tool/
│   ├── count_time.go     # 耗时统计
│   └── hash.go           # 哈希工具
├── docker-compose.yml    # Milvus 服务配置
└── go.mod

快速开始

1. 启动 Milvus 服务

docker-compose up -d

服务启动后：

• Milvus: localhost:19530
• Attu (可视化面板): localhost:8000

2. 配置环境变量

创建 .env 文件：

API_KEY=your_api_key
CHAT_MODEL=your_chat_model
EMBEDDING_MODEL=your_embedding_model

3. 添加文档

将 Markdown 文件放入 document/ 目录。

4. 运行程序

go run cmd/main.go

5. 开始问答

在控制台输入问题，按回车获取回答。输入 quit 退出。

RAG 工作流程

1. 初始化: 加载 ChatModel、EmbeddingModel，连接 Milvus
2. 文档处理: 读取本地 Markdown 文档，按标题分片，向量化后存入 Milvus
3. 检索: 用户输入查询，从向量数据库检索 Top-K 相关文档
4. 生成: 将检索结果与用户问题合并，发送给 LLM
5. 输出: 返回 LLM 回答及 token 消耗统计

配置说明

Milvus 表结构

字段	类型	说明
id	VarChar	文档唯一标识
vector	BinaryVector	嵌入向量 (65536维)
content	VarChar	文档原文
metadata	JSON	文档元数据

分片策略

使用 Markdown 标题层级分片：

• # → h1
• ## → h2
• ### → h3

注意

本项目采用火山引擎下doubao-seed-2.0-pro和doubao-embedder-vision 请根据自己的模型修改ChatModel和Embedder的配置 (ps:好像火山引擎现在只提供多模态向量化模型,俩文本向量化模型不给用了)