校园智能问答Agent

基于 LangGraph 的校园智能问答系统，集成 RAG（检索增强生成）、多路召回、意图识别和技能路由。

功能特性

• 课程教材问答：基于《自然语言处理》教材的 RAG 问答，支持多路召回（BM25 + 向量 + HyDE）和两阶段重排序
• 规章制度问答：通过 Skills 技能系统查询学分、成绩、实习等信息，结合规章文档 RAG
• 笔记查询：搜索和检索课堂笔记内容

技术栈

组件	技术选型
编排框架	LangGraph
大模型	通义千问 Qwen-Plus（阿里云百炼）
向量数据库	ChromaDB（持久化）
词嵌入	BAAI/bge-large-zh-v1.5
重排序	BAAI/bge-reranker-v2-m3
关键词检索	BM25 + jieba 分词
结构化数据	SQLite
Web 界面	Chainlit

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 配置环境变量

编辑 .env 文件，确认 API Key 等配置：

DASHSCOPE_API_KEY=your-api-key-here

3. 初始化数据库

python scripts/init_database.py

4. 构建知识库

将 NLP 教材 PDF 放置到 data/textbooks/nlp_textbook.pdf，然后运行：

python scripts/build_knowledge_base.py

如果暂时没有 PDF 教材，系统会自动跳过课程知识库构建，规章制度知识库仍可正常使用。

5. 启动应用

chainlit run app.py

访问 http://localhost:8000 即可使用。

项目结构

Langragh_RAG/
├── config/          # 全局配置
├── data/            # 数据文件（教材、规章、笔记、数据库）
├── knowledge_base/  # 知识库构建（加载、分块、向量化、存储）
├── retrieval/       # 检索管线（BM25、图、HyDE、多路融合、重排序）
├── llm/             # LLM 客户端封装
├── intent/          # 意图识别
├── skills/          # 技能系统（学分、成绩、实习查询）
├── agents/          # LangGraph 图定义和 Agent 节点
├── database/        # SQLite 数据库模型和初始化
├── scripts/         # 工具脚本
└── app.py           # Chainlit 应用入口

系统架构

用户输入 → 意图识别 → 路由分发
                        ├── 课程问答 → 多路召回 → 重排序 → LLM 生成
                        ├── 规章制度 → Skill 路由 → 数据库/RAG → LLM 生成
                        └── 笔记查询 → 笔记检索 → LLM 生成

详细架构说明见 ARCHITECTURE.md。

示例问题

• "什么是 Transformer 的自注意力机制？"
• "毕业需要多少学分？"
• "我的成绩怎么算绩点？"
• "学校有哪些合作实习企业？"
• "帮我找一下关于 BERT 的笔记"