rag-fanuc 1.0.0

FANUC RAG Knowledge Base — pluggable retrieval + SAG hybrid search + OKF concepts

FANUC RAG 知识库

190 份 FANUC 工业机器人技术文档 → 20 万+ 向量 → 自然语言问答

快速开始

# 1. 克隆仓库
git clone https://github.com/Ikalus1988/self-grow-wiki.git
cd self-grow-wiki

# 2. 安装依赖
python3 -m venv ~/mkdocs-env
source ~/mkdocs-env/bin/activate
pip install -r requirements.txt

# 3. 准备向量库（二选一）
# 方式A: 从PDF重建（需要PDF源文件，耗时30-60分钟）
python3 scripts/import/rag_builder.py --input /path/to/pdf/

# 方式B: 迁移已有向量库（3.0G，秒级）
# 将 rag_chromadb/ 目录放到 ~/rag_chromadb/

# 4. 修改配置
# 编辑 rag_core.py 中的向量库路径
# CHROMA_PATH = "/你的路径/rag_chromadb"

# 5. 启动服务
chmod +x start_rag.sh
./start_rag.sh

服务端口

服务	端口	说明
RAG Web UI	7860	Gradio 问答界面
管理面板	7861	Gradio 管理后台
RAG API	8002	FastAPI HTTP 接口
Ollama	11434	本地 LLM 兜底

目录结构

self-grow-wiki/
├── rag_core.py              # 核心检索+生成
├── rag_web.py               # Gradio Web UI
├── rag_api.py               # FastAPI HTTP API
├── rag_admin.py             # 管理面板
├── rag_feedback_card.py     # 反馈卡片
├── start_rag.sh             # 一键启动脚本
├── auto_flywheel.py         # 自动飞轮
├── daily_audit.py           # 每日巡检
├── badcase_review.py        # Badcase 审核
├── kb_learning.py           # 自学习模块
├── synonyms.json            # 同义词表
├── requirements.txt         # Python 依赖
├── wxauto_bot.py            # 微信机器人（旧版）
├── wxauto_bot/
│   └── bot.py               # 微信机器人（v7，推荐）
├── scripts/
│   ├── import/              # PDF 导入工具
│   │   ├── rag_builder.py       # 批量导入
│   │   ├── rag_builder_ocr.py   # OCR 增强导入
│   │   ├── rag_import_fanuc.py  # FANUC 专用导入
│   │   └── import_batch.py      # 批量导入
│   ├── audit/               # 审计工具
│   │   ├── audit_chunks_p1.py
│   │   ├── audit_exam_p2.py
│   │   ├── audit_pdf_chunk_p3.py
│   │   └── audit_pdf_chunk_v2.py
│   ├── exam/                # 试卷生成
│   │   ├── gen_exam.py
│   │   ├── gen_exam_c.py
│   │   ├── gen_exam_c_v2.py
│   │   └── gen_exam_v2.py
│   ├── docs/                # 文档工具
│   │   ├── doc_classifier.py
│   │   ├── doc_verify.py
│   │   ├── doc_verify_v2.py
│   │   ├── generate_mkdocs.py
│   │   └── graph_to_obsidian.py
│   ├── kb_selfcheck.py      # 知识库自检
│   ├── rag_phase2_semantic_tag.py
│   └── rag_phase2b_refine.py
├── lessons/                 # Lessons（供 MisakaNet 使用）
└── tests/                   # 测试

核心功能

检索增强

能力	说明
语义搜索 + BM25 混合检索	RRF 融合，兼顾语义和关键词
报警代码规范化	SRVO-023 / SRVO023 / SRVO-023 全匹配
型号系列强制召回	M-900 / R-2000iC 系列文档不遗漏
品牌过滤	查询含 FANUC 时自动排除 KUKA/ABB 文档
同义词扩展	49 组同义词自动扩展查询
多问题拆分	"A 和 B 的区别" 自动拆分分别检索

LLM 四通道容灾

优先级	模型	来源	响应时间
1	MiMo-V2-Flash	Mify 内网	~1.5s
2	MiMo-V2-Pro	Mify 内网	~0.5s
3	DeepSeek-Chat	DeepSeek API	~2s
4	Qwen2.5:3b	Ollama 本地	~50s

质量保证

• 每日自动巡检 — cron 6:00，抽样 7-8 题，通过率 >=90% 为合格
• 入库质检门禁 — 新 PDF 入库前自动检查污染/重复/二进制残留
• 自学习飞轮 — 巡检失败 -> badcase -> 审核 -> 同义词 -> 检索增强

迁移指南

最小迁移（推荐）

# 只需迁移代码仓库（git clone 即可）
git clone https://github.com/Ikalus1988/self-grow-wiki.git

# 向量库从 PDF 重建
pip install -r requirements.txt
python3 scripts/import/rag_builder.py --input /path/to/pdf/

完整迁移（保留已有向量库）

# 1. 代码仓库
git clone https://github.com/Ikalus1988/self-grow-wiki.git

# 2. 向量库（3.0G）
# 从原服务器打包
tar czf rag_chromadb.tar.gz ~/rag_chromadb/
# 传输到新服务器解压
tar xzf rag_chromadb.tar.gz -C ~/

# 3. 修改配置
# 编辑 rag_core.py 中 CHROMA_PATH 为新路径

# 4. 启动
./start_rag.sh

飞书机器人配置

飞书接入通过 Hermes Gateway 处理，配置在 ~/.hermes/.env：

FEISHU_APP_ID=你的AppID
FEISHU_APP_SECRET=你的AppSecret
FEISHU_CONNECTION_MODE=websocket
FEISHU_HOME_CHANNEL=群组ID
FEISHU_GROUP_ALLOWED_CHATS=群组ID1,群组ID2
FEISHU_ALLOWED_USERS=用户ID1,用户ID2

修改飞书入口：

1. 复用现有 App — 只需复制 .env 到新服务器，重启 Hermes Gateway
2. 创建新 App — 在 https://open.feishu.cn/app/ 创建，获取 App ID/Secret，更新 .env
3. 修改群组 — 更新 FEISHU_HOME_CHANNEL 和 FEISHU_GROUP_ALLOWED_CHATS

环境变量

变量	说明	默认值
CHROMA_PATH	ChromaDB 向量库路径	~/rag_chromadb
OLLAMA_MODELS	Ollama 模型路径	~/ollama/models
OLLAMA_HOST	Ollama 监听地址	0.0.0.0:11434
FEISHU_WEBHOOK	飞书 Webhook（可选）	无

技术栈

• 嵌入模型: bge-base-zh-v1.5 (768维)
• 向量数据库: ChromaDB (cosine 距离)
• Web UI: Gradio
• HTTP API: FastAPI
• 本地 LLM: Ollama + Qwen2.5:3b
• 微信机器人: wxauto v7

许可证

MIT License