← 返回列表
知识库与 RAG工具

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

harshit-ojha0324/Gemini-Powered-RAG-System · Production-ready RAG application that enables intelligent Q&A over PDF documents using Google Gemini. Features semantic search, source attribution, conversation memory, and enterprise-grade security including PII detection, injection prevention, and real-time monitoring.

GitHub原文发布 未知首次收录 2026-10-03上架 2026-10-03 07:03

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

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。
# Gemini# LangChain# 安全# RAG# PDF

核心能力与快速开始

★ 0 · Python

能做什么
PDF 上传、列表与删除管理；基于嵌入距离主题切换的语义分块（含递归字符回退）；使用 Chroma 进行向量相似度检索；基于 Google Gemini Flash 生成有依据的回答并给出来源文档与页码引用；多轮对话历史；嵌入模型可选 Gemini gemini-embedding-001 或本地 sentence-transformers all-MiniLM-L6-v2，各模型独立索引；安全层包含 Presidio 的 PII 检测与脱敏、提示注入检测、LLM 输出中 API 密钥/密码/token 的过滤、安全审计日志与实时安全仪表盘；提供 Swagger/ReDoc 自动 API 文档、Makefile 命令、pytest 测试套件以及检索与依据性评测脚本。
适用场景
对内部 PDF 文档（如报告、手册）进行问答并追溯答案出处；在需要 PII 与提示注入防护的敏感场景下构建文档问答应用；作为 RAG + 安全治理的全栈参考实现或教学示例；通过检索评测脚本衡量上下文相关性与回答依据率。
项目形态
可直接使用的工具
部署方式
支持本地开发（make setup/start）与 Docker Compose 一键部署；后端 FastAPI + Uvicorn，前端 React + Vite，服务端口分别为 8000 和 5173。具体生产环境要求未说明。
主要依赖
需要 Python 3.9+、Node.js 18+、Google Gemini API Key（默认嵌入与生成模型都依赖它）；使用本地嵌入时可不依赖 Gemini 运行嵌入与检索。依赖包括 FastAPI、LangChain 0.1、ChromaDB 0.4、PyPDF 4.0、Microsoft Presidio（spaCy en_core_web_lg）、Pydantic 等。API 配额、费用或其他成本限制未说明。
使用限制
README 提到 Gemini API 配额超限会导致上传与提问失败，且系统不会在运行中自动切换嵌入模型，因为不同模型的向量维度不同、无法共用索引；嵌入模型在进程启动后固定。许可证标注为 NOASSERTION，具体授权与商用条件未说明。其他部署与硬件限制未说明。
许可证
NOASSERTION
最近推送
2026-10-02 08:58
官方入门核对 README 依据 ↗

资料检查：2026-10-03 07:00 · 卡片整理：2026-10-03 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为全栈 RAG 应用参考实现，程序员可复用其 PDF 解析、语义分块、向量检索、FastAPI 接口、React 前端与 Docker 部署等代码结构，用于构建文档问答系统或进行代码审查与测试。

查看内容依据
Production-ready RAG application that enables intelligent Q&A over PDF documents using Google Gemini. Features semantic search, source attribution, conversation memory, and enterprise-grade security including PII detection, injection prevention, and real-time monitoring.

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

产品经理

产品经理可参考该系统的功能设计（PDF 上传、自然语言问答、来源页码引用、多轮对话记忆、安全仪表盘）来规划文档问答类产品需求与原型。

查看内容依据
Upload any PDF, ask natural language questions, and get contextual answers grounded in your document content — with full source attribution showing which page the answer came from.

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

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。

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

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。

retrieva-backend：为 DORA 第三方风险管理提供基于证据的 RAG 评估后端

Retrieva 的后端服务，基于 Node.js 20 / Express 5 提供 API，用 LangChain 经 LiteLLM 网关实现证据支撑的 RAG 与 DORA 第三方风险（TPRM）评估引擎。数据层使用 PostgreSQL + Drizzle 存储、Qdrant 向量检索，Redis/BullMQ 处理队列与缓存，并接入 Langfuse 追踪；服务以容器镜像方式通过 GitOps（ArgoCD + Kargo）部署在 k3s minicloud 平台。仓库包含本地开发命令、API 端点说明、环境变量清单和 Drizzle 迁移流程。

ai_security_guide：大语言模型与智能体安全攻防指南

这是一本系统讲解大语言模型与智能体安全的中文书籍，从攻击原理、防御机制到验证方法循序渐进。内容覆盖提示注入、RAG 安全、智能体攻击面、身份与架构防御，以及治理交付等主题。书中提供邮件助手、支付预算和 RAG 轨迹三个基于 Python 标准库与合成数据的配套实验，帮助读者在保留正常效用的前提下分别验证控制措施。阅读与实验入门均在 README 和在线 GitBook 中给出。

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。

讨论 0

登录后参与讨论，阅读资讯无需注册。

还没有评论，来分享第一个看法。