这是一个完全本地运行的券商研报 RAG 项目，支持多项目管理、PDF 上传、自动解析、向量索引构建，以及 ChatGPT 风格的项目内问答。
系统流程：
PDF -> MinerU 解析 -> Markdown 结构化 -> 文档切分 -> Ollama Embedding -> Milvus Lite -> 检索 -> OpenAI 兼容 LLM 生成回答
建议使用 Python 3.11+。
本项目按 LangChain 1.x 的分包方式组织依赖，直接使用 langchain-core 与 langchain-text-splitters，不再依赖旧版聚合包 langchain。
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt其中 requirements.txt 已包含 pymilvus[milvus_lite]，用于本地文件版 Milvus Lite。如果你是在旧环境里升级过来的，需要重新执行一次安装命令，确保把 milvus_lite 一并装上。
MinerU 建议单独安装并确保命令行可用。当前项目会优先尝试以下命令：
magic-pdfmineru
如果 MinerU CLI 暂时不可用，系统会回退到 pypdf 文本抽取，便于本地联调，但正式解析建议仍使用 MinerU。
先确保本机已安装并启动 Ollama，然后拉取 embedding 模型：
ollama pull qwen3-embedding:0.6b
ollama serve默认 embedding 接口地址为：
http://localhost:11434/api/embeddings
复制示例配置：
cp .env.example .env示例：
BASE_URL=http://localhost:8001/v1
MODEL_NAME=qwen2.5-7b-instruct
FAST_MODEL_NAME=glm-4.7
LLM_API_KEY=your_api_key说明：
BASE_URL必须是 OpenAI 兼容服务的根地址，通常形如http://host:port/v1MODEL_NAME是最终基于检索证据生成回答时使用的主模型FAST_MODEL_NAME是语义路由后的查询改写与澄清追问使用的快模型；未配置时默认回退到MODEL_NAMELLM_API_KEY用于远端 OpenAI 兼容服务鉴权；如果你使用本地服务，可以不填，代码会自动回退到EMPTY- 代码中使用
python-dotenv自动读取.env
python app.py启动后访问：
在左侧输入项目名并点击“创建项目”。
项目名支持中文、英文、数字和空格等常见写法；后端会自动为 Milvus 生成安全的 collection 名。
仍然不建议在项目名中使用路径字符，例如 /、\，也不要使用单独的 . 或 ..。
在右侧选择 PDF 文件并上传。上传后系统会自动执行：
- 保存 PDF 到
data/projects/{project_name}/pdf/ - 使用 MinerU 解析 PDF 为 Markdown
- 解析 Markdown 标题、段落、表格
- 使用 LangChain 切分文档
- 调用本地 Ollama 生成向量
- 写入项目专属的 Milvus Lite 库
问答区支持项目内多会话管理：
- 每个项目下的对话会自动保存到本地
- 下次重新打开页面后，仍可看到之前的历史对话
- 支持新建独立会话、切换历史会话，以及删除单条对话记录
说明：本项目默认使用 Milvus Lite，本地模式下向量索引使用 FLAT，以兼容 Lite 的索引限制。
在中间聊天区选择项目并提问，例如：
宁德时代未来三年的EPS预测是多少？该研报的投资要点是什么？公司盈利预测是多少？
系统会只基于当前项目中已索引的研报内容回答。
聊天入口现在会先经过 semantic-router 语义路由，再进入不同执行链路：
chitchat：闲聊，直接走主 LLM，不检索history_qa：只基于当前会话历史回答history_rewrite_retrieval：结合历史改写问题后再检索direct_retrieval：当前问题足够独立，直接检索clarification：信息不足，直接追问澄清
对于依赖上下文的连续追问，例如：
那 2025 年呢？它的毛利率呢？和另一篇比呢？
系统会先由语义路由判断是“可改写后检索”还是“需要先澄清”。前者会先补全成独立检索问题，再进入检索；后者会直接返回追问，避免误检索。
路由样本配置位于：
config/semantic_routes.json
当前聊天接口使用 SSE 流式返回。正常回答时，最终 done 事件会带上 resolved_query 和 sources；如果进入澄清分支，最终事件会带空 sources，并在 clarification 字段中说明澄清问题和原因。
项目提供了一个离线评测入口，会直接调用真实本地检索链路和真实本地模型。
默认使用 learn conda 环境执行，可以直接运行：
./eval.sh先只生成评测样本：
./eval.sh --generate-only默认会扫描 data/projects/*/parsed_markdown/**/*.md，生成：
evals/datasets/auto_eval_cases.jsonl
也可以显式传递参数给底层评测入口：
./eval.sh --dataset evals/datasets/auto_eval_cases.jsonl评测输出包括：
- 检索命中率：目标报告、目标章节是否进入返回
sources - 回答要点覆盖率：回答中覆盖了多少
expected_answer_points - 拒答准确率：对于应拒答样本，是否正确回答“未找到足够依据”
结果会写入：
evals/results/<timestamp>.json
项目现在还提供一套独立于 evals/ 的 RAGAS 评测入口，目录位于 ragas_eval/，不会复用旧的启发式评测代码。
先只生成数据集：
python -m ragas_eval.runner --generate-only默认会扫描：
data/projects/*/parsed_markdown/**/*.md
生成：
ragas_eval/datasets/auto_cases.jsonl
执行完整 RAGAS 评测：
python -m ragas_eval.runner --dataset ragas_eval/datasets/auto_cases.jsonl评测输出固定包含两组指标：
- RAGAS 4 指标：
context_precision、context_recall、faithfulness、answer_relevancy - 工程 4 指标：
Recall、Accuracy、F1-score、Response Speed
结果会写入：
ragas_eval/results/<timestamp>/summary.jsonragas_eval/results/<timestamp>/cases.jsonl
说明：
- 新评测直接调用真实
ResearchRAGPipeline - 样本从
parsed_markdown自动筛选并补充 followup / refusal 样本 - 若缺少
ragas、datasets或langchain-openai，命令会直接报错，不会回退到旧evals/
research-rag/
README.md
requirements.txt
config.py
.env.example
data/
projects/
backend/
project_manager.py
file_manager.py
rag/
mineru_parser.py
markdown_processor.py
chunker.py
embeddings.py
milvus_store.py
retriever.py
llm_client.py
pipeline.py
frontend/
index.html
app.js
styles.css
app.py
- 每个项目都有独立目录：
data/projects/{project_name} - PDF 原文件保存于：
pdf/ - Milvus Lite 数据库存放于：
vector_db/milvus.db - 历史对话保存于：
conversations/*.json - 系统默认以项目名作为 collection 名称
系统会记录告警并回退到 pypdf 文本抽取，但对表格和复杂版面支持会明显下降。
因为 OpenAI SDK 需要的是服务根路径，例如：
- 正确：
http://localhost:8001/v1 - 错误：
http://localhost:8001/v1/chat/completions
项目中已做了基本兼容清洗，但推荐仍按标准格式配置。