Knowledge Base RAG：面向多租户的多语言检索增强生成平台

negativexq/knowledge-base-rag · Production-style multilingual RAG with tenant-safe retrieval, evidence provenance, deterministic validation, observability, and reproducible evaluation.

GitHub原文发布未知首次收录 2026-10-17上架 2026-10-17 07:03

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该项目是一个生产风格的多语言 RAG 平台，覆盖混合检索（Qdrant 稠密+BM25、RRF 融合、BGE 重排序）、租户与角色授权边界、SectionAware 证据构建、请求级 support ID 与引用校验、Architecture V2 发生账本式关键值一致性校验、OpenTelemetry/Jaeger 可观测性以及可复现的离线评测与失败归因。README 提供本地运行的 Quickstart，并强调其定位为 portfolio 系统而非生产服务声明。

# RAG # rag-evaluation # rerank # hybrid-search # multi-tenant

核心能力与快速开始

★ 1 · Python

能做什么: 多语言知识库 RAG 平台能力包括：稠密与稀疏（BM25）检索并通过 reciprocal rank fusion 融合；在重排序与生成之前执行服务端持有的租户与角色 ACL 授权；SectionAware 证据构建，使用请求级 support unit ID；对支撑来源身份与关键字面量（数字、单位、版本、日期、百分比、标识符）执行确定性校验；Architecture V2 冻结的发生账本用于处理否定、更正、带符号值、版本与同名兄弟项；基于 OpenTelemetry 与 Jaeger 的有界可观测性及受控本地取证捕获；将检索、证据、生成、校验、引用与安全失败分层的评测框架；FastAPI 后端与 React RAG Operations Console，SSE 流式返回带应用侧解析引用的答案。
适用场景: 适用于需要多租户隔离的多语言企业知识库问答；需要在答案中给出可验证证据引用并拒绝无支撑回答的场景；需要按检索、重排序、证据打包、生成、校验、引用等边界定位失败原因的诊断流程；需要在不泄露原始查询、答案与证据的前提下进行观测的运维场景；需要冻结数据集与预注册决策门进行 RAG 变更评审的评测场景。
项目形态: 可直接使用的工具
部署方式: 本地优先部署：README 提供 docker compose 启动 Qdrant 与 Jaeger，前端使用 npm run dev；后端 Docker 镜像由 compose 构建，默认后端端口 8000、Qdrant 6333、Jaeger 16686；也可在宿主机以 make dev 运行后端并单独运行前端。
主要依赖: Python 3.11+、Docker Desktop 或兼容 Docker Engine、Node.js 22 与 npm、本地原生 Ollama（用于生成与嵌入，需 ollama pull qwen3-embedding:4b 与 qwen3.5:4b）；使用 Qdrant 作为索引；可选 OpenAI 或 Ollama 作为服务端模型提供方；新安装需先摄取文档才可检索出证据。
使用限制: README 明确说明这是 portfolio 系统，不构成面向客户的生产服务，未声明真实客户流量、生产 SLO、完成的生产金丝雀或生产发布演练；Architecture V2 shadow 默认关闭；报告的 70% useful-answer rate 为 Correct + Partial，并非准确率，30% 为独立的严格全完整度指标；BGE 重排序移除实验因预注册语义非退化门未通过而未获授权；support-ID 校验不证明语义蕴含，关键值校验不解决通用语义接地。
许可证: MIT
最近推送: 2026-10-17 06:43

官方入门项目文档核对 README 依据 ↗

资料检查：2026-10-17 07:00 · 卡片整理：2026-10-17 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

作为本地优先的多语言 RAG 工程参考系统，程序员可参考其混合检索（Qdrant 稠密+BM25、RRF 融合、BGE 重排序）、租户与角色授权边界、SectionAware 证据构建、support ID 与引用校验、Architecture V2 发生账本式关键值一致性校验、OpenTelemetry/Jaeger 可观测性以及可复现离线评测与失败归因的实现，用于构建或审查 RAG 应用的检索、验证与可观测性代码。

查看内容依据

Production-style multilingual RAG platform with secure tenant boundaries, hybrid retrieval, explicit evidence provenance, deterministic validation, privacy-safe observability, and reproducible evaluation.

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

AI Helpdesk：多智能体客服支持系统，含路由分派、SQL 智能体委派与逐句校验

AI Helpdesk 是一个基于 FastAPI 的多智能体客服服务：路由器对问题意图进行投票，工具并发执行，三个领域专家智能体在需要时并行作答，并通过有界工具循环补查缺失信息；数据类问题经 A2A 或 HTTP 委派给独立的 SQL 智能体，由其规划、编写、执行并修复查询。系统在发送前逐句校验回答，替换无依据的价格或日期承诺，低置信度时转人工开票，并在 React 控制台中实时展示各智能体的决策过程。项目附带检索纠错循环、Redis 工作记忆、双入口部署和 OpenTelemetry 可观测方案，并提供评测记录。

Agent Docs：面向 AI Agent 的 Claude Code、Cursor、Codex 与 MCP 官方文档混合 RAG 服务

Agent Docs 是一个混合 RAG 服务，索引约 600 页 Claude Code、Cursor、Codex 与 MCP 的官方文档并每日自动刷新，通过 MCP 工具（search_docs、read_section）或 REST 接口供 AI Agent 调用，返回带引用的检索结果与答案。其检索链路包含翻译、混合检索（Embedding + BM25）、RRF 融合、Cohere 重排、阈值拒答与上下文选择，并配有 Langfuse 追踪和评估回归门禁。

Fathom：多模态商品搜索与离线评测系统

Fathom 是一个面向 3.5 万余件 Amazon 商品的多模态检索项目，支持用文字或图片搜索商品。它把稠密向量、BM25 与 CLIP 文本到图像检索在服务端用 RRF 融合，再经 MiniLM 交叉编码器重排，并用 LLM 把“适合扁平足、80 美元以内的舒适跑鞋”这类口语化请求解析成干净查询、硬性预算和类目加权。项目包含数据质量审计、离线检索与查询理解评测报告，技术栈为 FastAPI、Qdrant、Next.js。

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。

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。