AI导哈

汽车工程知识库检索增强生成系统

一个面向德国汽车工程领域的高精度检索增强生成（RAG）知识平台，结合文档处理、结构化数据处理、检索管道和基于代理的推理工作流。

  • by CagriCatik
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 CagriCatik/Agentic-Track

使用说明

代理跟踪-汽车RAG和知识库

一个面向生产的生成人工智能工作流程的项目中心，专注于德国汽车工程领域的高精度代理RAG。

概述

该存储库将文档摄取、结构化数据处理、检索管道和基于代理的推理工作流组合到一个知识平台中。

其设计用于：

  • 处理汽车工程PDF和技术文档，
  • 用Medallion风格的数据架构组织提取的内容，
  • 利用矢量数据库提供高质量检索，
  • 并运行自校正的LangGraph工作流以获得可靠的答案。

存储库结构

目录 目的
agentic-rag/ 核心应用程序代码，包括LangGraph代理、FastAPI服务器、CLI和Medallion管道逻辑。
corpus/ 包含汽车工程PDF和相关文档的源知识库。
docs/ 技术文档网站的MkDocs源文件。
tests/ 单元、集成和评估测试套件。
tutorials/ 学习材料和框架特定指南。

主要特点

RAG代理工作流程

该系统使用LangGraph实现了校正和自适应检索管道。

主要部件包括：

  • 安全层 为了降低快速注入和越狱的风险，
  • 路由逻辑 在矢量检索、直接LLM应答或网络搜索之间进行选择，
  • 文档分级 为了检查检索到的内容是否相关，
  • 应答验证和重试逻辑 减少幻觉，提高输出质量。

Medallion数据架构

数据被处理成单独的层 agentic-rag/data/:

  • 青铜：从源文档中提取的原始内容

    • PDF提取 pymupdf4llm
    • HTML转换 MarkItDown

  • 银：已清理和规范化的记录

    • 章节标题
    • 元数据丰富
    • 页面级可追溯性

  • 金：可检索资产

    • 分块文档
    • 优化嵌入
    • ChromaDB矢量索引

快速开始

确保安装了以下工具：

1.设置环境

cd agentic-rag
uv sync
ollama pull llama3:8b
ollama pull nomic-embed-text

2.摄入文件

将本地PDF和文档内容处理到矢量存储中：

uv run python app/cli.py --ingest

3.启动交互式应用程序

uv run python app/cli.py

配置

项目行为可以通过以下方式进行调整：

agentic-rag/config.yaml

推荐起点：

  • 模型选择: gpt-oss:120b-cloud 具有强大的德语合成质量
  • 检索深度: top_k: 6+ 在相关性过滤之前提高召回率
  • 幻觉分级：可用于更安全的响应，但可能会增加本地测试期间的延迟

典型工作流程

  1. 将源文档添加到语料库中。
  2. 运行摄入管道。
  3. 构建或刷新矢量存储。
  4. 通过CLI或API查询系统。
  5. 让LangGraph工作流检索、评分、验证和优化响应。

文档

技术文档存在于 docs/ 目录，可用于构建一个完整的MkDocs网站，用于项目参考、架构说明和使用指南。

测试

测试位于：

agentic-rag/tests/

它们包括：

  • 单元测试，
  • 集成测试，
  • 以及检索和答案质量的评估工作流程。

用例

此存储库适用于：

  • 汽车工程知识库，
  • 技术PDF问答系统，
  • 领域特定的RAG助手，
  • 内部文档搜索，
  • 以及需要验证和纠正步骤的基于代理的检索管道。

备注

该存储库的结构支持实验和面向生产的迭代。主要重点是在专业技术领域中可追溯的摄入、检索质量和可靠的答案生成。

相关 MCP