Insurance-Policy-RAG：基于 Gemini 与 ChromaDB 的保单 PDF 问答助手

arashshams/Insurance-Policy-RAG · A RAG assistant that answers plain-English questions about an insurance policy PDF, grounded in the document and cited by page. Built with Gemini embeddings, ChromaDB, and a Streamlit app you can try live.

GitHub原文发布未知首次收录 2026-10-31上架 2026-10-31 07:01

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目是一个面向单一保险保单 PDF 的检索增强生成（RAG）问答助手，能够用自然语言回答保险条款问题，并基于文档内容给出页码引用，在文档未覆盖时明确回答“我不知道”。系统使用 Gemini 嵌入模型生成向量，存入 ChromaDB，通过 Streamlit 提供可在线试用的界面，同时也提供 FastAPI 后端和可导入的 Python 管道。项目包含评估工具，覆盖拒答、检索命中率、引用准确性等指标，并支持上传自己的保单 PDF 进行问答。

# Gemini # RAG # streamlit # ChromaDB # 保险文档问答

核心能力与快速开始

★ 0 · Python

能做什么: 从保险保单 PDF 中提取文本，按重叠分块并嵌入到 ChromaDB 向量库；对用户问题检索最相关段落，并基于 Gemini 模型生成仅依据检索段落的回答，附带页码引用；检索为空或模型拒绝时明确输出“我不知道”；提供可导入的 Python 并行化管道（build_index_from_pdf、answer_question 等），支持在内存中处理上传 PDF 而不落盘；提供 FastAPI 接口（GET /health、POST /ask）和 Streamlit 界面（演示与上传模式）；附带评估工具，用于计算拒答精确率/召回率、检索命中率、引用正确性等指标。
适用场景: 用户希望快速查询自己保单 PDF 中的保险覆盖范围、免赔额、除外责任等条款；开发者想要参考一个端到端的 RAG 应用实现，包含文档摄入、嵌入、检索、生成与评估；需要构建文档问答系统并强调引用与拒答能力的场景；通过 Streamlit 在线演示或上传个人保单进行问答。
项目形态: 可直接使用的工具
部署方式: 提供 Streamlit 在线演示（无需安装）；也可本地运行（make run-app）或运行 FastAPI 后端（make run-api）。上传模式下文档以内存方式处理，不落盘。
主要依赖: Python 3.11；需要 Gemini API 密钥（材料称可在免费层使用）；依赖包括 ChromaDB、Streamlit、FastAPI 等（见 requirements.txt）；上传的文本会发送至 Google Gemini API 进行嵌入与回答。
使用限制: 仅针对单一保单文档，不跨保险公司或保单类型泛化；不提供法律或财务建议；距离阈值 0.37 仅在示例保单上校准，可能不适用于其他保单；上传的 PDF 文本会发送给 Gemini API；未说明商业使用限制；示例保单为 Manulife FlexCare（32 页），答案仅对相同保单有效。
许可证: MIT
最近推送: 2026-10-30 08:58

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-31 07:00 · 卡片整理：2026-10-31 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

作为可导入的 Python RAG 管道（src/rag_pipeline.py），供开发者构建和评估基于 PDF 的检索增强问答系统：调用 build_index_from_pdf 与 answer_question，并复用其评估工具（拒答、检索命中率、引用准确性）与 FastAPI 后端。

查看内容依据

The whole pipeline is consolidated into a single importable module, **`src/rag_pipeline.py`**, so notebooks, evaluation, and future apps all share one code path and one config block.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

IntelligenceDocumentSystem：基于 RAG 的多语言文档问答助手，回答附带可追溯引用

该项目是一个面向个人文档的 RAG 问答助手，支持上传 PDF、TXT、Markdown 并以印尼语提问，答案附带可点击溯源到具体 chunk 的引用。检索上下文不足时系统明确拒答，或在使用通用知识模式时给出明确标注、不加引用的回答。还提供按文档隔离的私有会话、跨文档检索、检索参数调整（Top K、相似度阈值）、检索质量评估（precision、hit rate、正确拒答）、延迟与提问日志分析，以及 RAGAS 评测选项。技术栈为 Next.js/React/TypeScript 前端与 FastAPI、ChromaDB、SQLite 后端，LLM 使用 Groq，并有 Ollama 回退。

research-paper-rag-qa：学术 PDF 语义检索问答工具

该项目是一个面向学术论文 PDF 的检索增强（RAG）语义搜索工具：逐页解析 PDF，将文本切分为带重叠的片段，使用 sentence-transformers/all-MiniLM-L6-v2 生成归一化向量并存入 FAISS 索引，再通过 Streamlit 界面用自然语言查询返回最相关的段落及来源文件与页码。项目刻意只做检索、不做答案生成，以保证每条结果可追溯到原文页面、避免内容幻觉；仓库包含作者硕士阶段的示例 PDF。

LLM Document Agent：基于 Google Gemini 的 PDF 文档检索增强问答系统

这是一个全栈 RAG 应用，支持上传 PDF 后用自然语言提问，由 Google Gemini 生成带来源页码引用的回答，并保留多轮对话记忆。系统包含语义分块、向量检索（Chroma）、可选 Gemini 或本地 sentence-transformers 嵌入，以及 PII 检测、提示注入防护、输出敏感信息过滤和安全仪表盘等安全能力，提供 FastAPI 接口、React 前端与 Docker 部署方式。

Math_Tutor_RAG：基于视觉大模型与 RAG 的智能错题本与间隔重复复习系统

MathMaster Edu 是一个智能错题本应用：拍照上传手写作业或试卷照片，由视觉大模型完成结构化解析（考点、分步讲解、答案、难度、易错原因、变式题），配合 ChromaDB 向量检索实现相似题召回与语义搜索，并用 SM-2 间隔重复算法安排复习。项目还提供知识点掌握度画像、学情看板、知识图谱、教师端学生总览、Word 组卷导出、Agent 追问讲题、FastAPI REST 网关与 MCP Server，支持多家 OpenAI 兼容模型提供商及本地 Ollama，未配置 Key 时可进入演示模式。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。