你本地的智能客服构建

整体框架：

前端展示：

普通对话：

转人工意图识别：

天气查询：

支持文本和图片的对话：

知识库构建

可批量增加文件解析进入知识库，只需要将需要追加的文档放入 documents 列表里面就可以了（支持 md、docx、txt、pdf）。
代码端追加文档到知识库：

网页端追加文档到知识库:

代码运行

以下是整理后的 Markdown 内容：

---

代码运行

克隆代码

git clone https://github.com/nyzhhd/rag4chat.git

conda create -n myenv python=3.10

cd rag4chat

conda activate myenv

安装依赖库

pip install -r requirements.txt

启动应用

使用 Streamlit 运行（前端 GUI）

streamlit run app.py --server.port 6006

使用 Flask 运行（后端 API 服务）

python app_api.py

API 接口说明

• 获取问题答案:

  POST http://192.10.220.xxx:19006/v1/chat/completions
  

• 检查接口是否可用:

  GET http://192.10.220.xxx:19006/health
  

前端发送的请求体 (Request Body)

{
  "model": "Qwen3",
  "modelId": "XXXXXX",
  "messages": [
    {
      "chatCode": "1ywj4ox2uvb400",
      "content": "语义图像如何构建",
      "role": "user",
      "msgTime": 1754528942728,
      "contentType": "1",
      "chatFiles": [],
      "chatModelCode": "Qwen3",
      "tokenCount": 0
    }
  ],
  "temperature": 1,
  "isRAG": true,
  "similarity": 0.5,
  "is_summary": false,
  "stream": false,
  "apiKey": "sk-6xxUxxxzA"
}

参数说明:

参数名	类型	说明
isRAG	boolean	是否使用向量知识库
similarity	float	向量相似度筛选的阈值 (0.0-1.0)
stream	boolean	是否使用流式输出
is_summary	boolean	是否对过往会话历史进行总结

后端返回的响应体 (Response Body)

{
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "chatCode": "1ywj4ox2uvb400",
        "content": "您当前的问题表述较为模糊，若需帮助，请明确具体问题内容，例如技术咨询、操作指导或其他需求。我将为您尽力解答！",
        "role": "assistant"
      }
    }
  ],
  "created": 1754556134,
  "human": 0,
  "id": "chatcmpl-1754556134248",
  "model": "qwen3:8b",
  "object": "chat.completion",
  "usage": {
    "completion_tokens": 54,
    "prompt_tokens": 7,
    "total_tokens": 61
  }
}

响应字段说明:

字段名	类型	说明
chatCode	string	本轮会话的 ID，与前端发送的 chatCode 一致
content	string	助手返回的内容
human	int	用户意图分析结果：0 不转人工，1 转人工

---

特别感谢

tgltommy : https://www.tgltommy.com/
RAGAnyThing：https://github.com/HKUDS/RAG-Anything
Agno: https://github.com/agno-agi/agno