实现的功能：

1. PDF处理：将PDF文件分块并存储到向量数据库（Chroma）。

2. 问答查询：从向量数据库中检索相关内容，结合使用Ollama的llama3.2生成答案。
   （考虑到调用openAi接口不是免费的，这里直接使用llama基础模型llama3.2，也省去了申请OPENAI_API_KEY的步骤，主要以学习为目的嘛）

3. 代码链接stevensu1/EC01: 基于langChain使用Chroma向量数据库和Ollama的嵌入模型Ollama3.2和实现的一个RAG服务

功能介绍：

 项目启动后进入首页上传pdf文档（一个简单的知识库）

PDF处理函数 process_pdf

def process_pdf(pdf_path: str):
    """PDF分块并存储到Chroma向量数据库（使用Ollama的llama3.2嵌入模型）"""
    # 1. 加载PDF文件
    loader = PyPDFLoader(pdf_path)
    pages = loader.load_and_split()

    # 2. 文本分块
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200
    )
    splits = text_splitter.split_documents(pages)

    # 3. 初始化Ollama的嵌入模型（llama3.2）
    ollama_embeddings = OllamaEmbeddings(model="llama3.2")  # 使用llama3.2嵌入模型

    # 4. 存储到Chroma向量数据库
    Chroma.from_documents(
        documents=splits,
        embedding=ollama_embeddings,
        persist_directory="chroma_storage"  # 数据保存目录
    )

从向量数据库Chroma中匹配检索信息并通过llama3.2生成返回

问答函数 rag_query

def rag_query(question: str) -> str:
    """基于Ollama的llama3.2模型进行RAG问答"""
    # 1. 初始化Ollama的LLM（llama3.2）
    llm = Ollama(model="llama3.2")  # 显式指定模型

    # 2. 加载向量数据库
    ollama_embeddings = OllamaEmbeddings(model="llama3.2")
    db = Chroma(
        persist_directory="chroma_storage",
        embedding_function=ollama_embeddings
    )

    # 3. 检索相关文档（Top 3）
    retriever = db.as_retriever(search_kwargs={"k": 3})
    relevant_docs = retriever.invoke(question)

    # 4. 组合上下文
    context = "\n\n".join([doc.page_content for doc in relevant_docs])

    # 5. 构建提示词（llama3.23专用格式）
    prompt = f"""请根据以下上下文回答问题：
    上下文：{context}
    问题：{question}
    答案："""

    # 6. 调用llama3.2生成答案
    response = llm.invoke(prompt)
    return response