程序聚合软件案例基于知识图谱增强的菜谱搜索RAG系统

基于知识图谱增强的菜谱搜索RAG系统

2025-11-13 10:43:02

行业：人工智能、大数据

载体：算法模型

技术：Python、PyTorch、MySQL Workbench

业务和功能介绍

通过引入知识图谱，我们的菜谱搜索系统将具备：
- 结构化知识表达：以图的形式显式编码实体间的语义关系
- 增强推理能力：支持多跳推理和复杂关系查询
- 智能查询路由：根据查询复杂度自动选择最适合的检索策略
- 事实性与可解释性：基于图结构的推理路径提供可追溯的答案
极大的拓展大语言模型的能力，用较小的模型+知识图谱就可以实现超大参数模型的推荐能力。而且通过对大语言模型的量化和部署，可实现本地快速的推理，而不依赖云端网络。

项目实现

关键技术
1. 图数据准备模块 (GraphDataPreparationModule)
- 功能：连接Neo4j数据库，加载图数据，构建结构化菜谱文档
- 特点：支持图数据到文档的智能转换，保持知识结构完整性
2. 向量索引模块 (MilvusIndexConstructionModule)
- 功能：构建和管理Milvus向量索引，支持语义相似度检索
- 特点：使用BGE-small-zh-v1.5模型，512维向量空间
3. 混合检索模块 (HybridRetrievalModule)
- 功能：传统的混合检索策略，结合向量检索和关键词查询
- 特点：双层（dual level)检索（实体级entity+主题级topic），向量检索
4. 图RAG检索模块 (GraphRAGRetrieval)
- 功能：基于图结构的高级检索
- 特点：支持多跳推理、子图提取、实体关系识别、相似实体聚类
5. 检索结果融合重排(Reranker):
- 功能：对检索结果按照与query的相关性排序
- 特点：使用bge-reranker-base模型
6. 智能查询路由 (IntelligentQueryRouter)
- 功能：分析查询特征，自动选择最适合的检索策略
- 特点：LLM驱动的查询分析，动态策略选择
7. 查询重写(QueryRewrite)
- 功能：对用户的问题重写，减少口语化和模糊的表达，增强检索效果
- 特点：LLM驱动
8. 生成集成模块 (GenerationIntegrationModule)
- 功能：基于检索结果生成最终答案
- 特点：支持llm api调用(e.g. kimi) 和 llm model(e.g. qwen25-7b-instruct)两种方式
我负责全项目整个模块的搭建和demo开发和测试

示例图片视频

Mcccc

15天前活跃

方向：人工智能-大模型和多模态、

交付率：100.00%

查看主页

相似推荐

C++ AI大模型接入SDK

1、立项背景和目标：随着人工智能技术的快速发展，各类AI模型（如大语言模型、图像生成模型等）的应用需求日益增长。然而，普通开发者和企业在使用这些AI模型时面临以下挑战：技术门槛高：需要掌握复杂的API调用和模型管理技术部署复杂：本地部署AI模型需要大量计算资源和专业知识成本高昂：使用商业API服务费用较高，自建基础设施投入大集成困难：不同模型的API接口不统一，集成到现有系统困难本项目旨在构建一个统一、易用、高效的AI模型访问平台，主要目标包括：降低使用门槛：提供简单易用的Web界面，无需编程知识即可使用AI模型统一接口标准：封装不同AI模型的API，提供统一的调用接口支持本地部署：支持Ollama等本地AI模型部署方案实时交互体验：提供类似ChatGPT的流式对话体验开源可扩展：采用开源技术栈，便于二次开发和功能扩展 2、软件功能和核心模块：前端模块：聊天界面：仿DeepSeek风格的现代化聊天界面会话管理：支持多会话创建、切换和删除模型选择：可视化模型选择界面，支持多种AI模型实时流式响应：支持AI模型的流式响应显示代码高亮：集成Markdown渲染和代码语法高亮复制功能：一键复制代码和文本内容后端模块： API网关：统一的RESTful API接口会话管理：用户会话的创建、存储和管理模型适配器：适配不同AI模型的后端接口流式传输：支持Server-Sent Events (SSE) 流式响应配置管理：灵活的服务器配置和模型配置

数据库辅助学习系统

1、项目开发背景：项目采用现代 Web 技术栈，结合人工智能技术，为数据库教学提供创新性解决方案。支持多种数据库类型，具备完整的用户管理和权限控制体系。项目开发目标：提供给大学课堂使用，用于数据库课程教学，实现智慧课堂交互‘ 2、软件功能、核心模块的介绍：这是一个基于 Django 和 FastAPI 构建的智能数据库教学辅助平台，旨在帮助学生学习 SQL 和数据库知识。集成了sqlmcp,ai智慧交互，ER图智能生成、sql实验室等功能。 3、模块： Django 主服务 (mcp_sql_project): 用户管理、会话管理、WebSocket 通信、数据存储 FastAPI 服务 (mcp_service):自然语言转 SQL 的 AI 服务

Ren 是一个开源的基于 Spring Boot 3 和 Vue 3 构建的全栈式后台管理系统-任后台管理系统

这是一个用于快速开发的一个完整的后台管理框架，包含了一切企业管理后台系统的基础功能 Ren 是一款基于 Spring Boot 3 + Vue 3 前后端分离架构的现代化后台管理系统框架。其核心目标是提供一套功能丰富、易于二次开发的“脚手架”，极大降低从零搭建管理后台的成本。核心功能模块包括： 1. 系统权限管理：精细化的用户、角色、菜单、部门、岗位权限控制，支持数据权限范围设置。 2. 系统监控：实时监控服务器状态、Redis缓存、在线用户，并可强制下线用户。 3. 定时任务：集成Quartz，可视化配置与管理定时任务。 4. 系统工具： - 代码生成器：一键生成前后端代码，大幅提升CRUD开发效率。 - 表单构建器：通过拖拽方式快速生成前端表单页面。 - 系统接口：基于Swagger 3的自动化API文档。 5. 日志管理：完整的操作日志与登录日志记录。 6. 主题切换：支持多主题（如蓝白、纯黑）动态切换，易于自定义扩展。 7. 通过SpringAI集成了AI对话功能，后续还会加入AI数据统计等等功能项目特点：采用清晰的模块化设计，代码注释详尽，并规划了支付集成、工业协议对接等可插拔功能模块，兼顾了开箱即用性与高可扩展性。

教育厅安全管理系统管理平台

1.该平台是服务于各省市教育厅、教育局、学校、高校的一体式平台。 2.包含安全任务、平安校园评估、智能填报、隐患、专项检查、假勤管理、三防建设、智能办公等功能。 3.项目由主平台和各个子系统组成，每个子系统对应一个功能模块，使用微应用的方式嵌入主系统。

搭建智能助手-智能助手

1.理解智能助手的核心系统架构与功能模块（对话交互层、核心引擎层、工具集成层），掌握 “用户输入 - 意图识别 - 响应生成” 的完整工作流程。 2.学会两种智能助手搭建方案的实现：一是调用公开大模型 API（如 OpenAI API）实现云端交互，二是本地部署 Ollama 大模型（如 Llama 3）结合 Streamlit 构建私有化对话界面。 3.掌握 Streamlit 库的使用方法，实现可视化对话界面（含历史消息展示、输入框、模型切换功能），理解前端界面与后端逻辑的数据流转机制。 4.掌握智能助手核心功能（基础问答、任务处理）的集成方法，能通过测试案例验证交互效果，优化响应速度（如设置超时控制）与准确率（如添加意图纠错）。培养系统设计与问题排查能力，能分析不同搭建方案的优缺点（如云端 API 的便捷性 vs 本地部署的隐私性），并根据需求选择合适方案。