Plan: CLI + Streamlit RAG Bot

• 核心技能：LangChain 基础链、RecursiveCharacterTextSplitter、Chroma 向量库持久化、Prompt 模板。
• 项目描述：选择一个你熟悉的领域（例如你正在学习的 LangChain 官方文档、某个开源库的 ReadTheDocs，或之前提到的《劳动法》PDF），构建一个能回答相关问题的命令行问答机器人。
• 难度：⭐ ⭐
• 亮点实现：
  • 实现本地持久化存储，确保向量数据在程序重启后不丢失。
  • 实现 Source 引用，回答时能指出答案源自文档的哪一页或哪一段。
• 预计耗时：3-5 天
• 真实时间：4个小时

Created memory file

Plan: CLI + Streamlit RAG Bot

基于现有 RAG 实战项目结构，先落地 CLI 问答，再补充 Streamlit UI。核心复用向量库、知识库与 RagService 结构，改为适配本地 Ollama 模型，并强化元数据与来源引用。

Steps

1. 梳理目标目录与基础结构（depends on none）
   • 目标项目：AI大模型RAG智能体开发/智能客服知识库问答系统 (基础 RAG)
   • 参考：RAG实战项目开始开发中的 rag.py、knowledge_base.py、vector_stores.py、file_history_store.py、config_data.py、app_qa.py
2. 设计类与职责拆分（depends on 1）
   • KnowledgeBaseService：加载/分割/入库；强调 RecursiveCharacterTextSplitter 的 separators、chunk_size、chunk_overlap 与元数据保留
   • VectorStoreService：Chroma 持久化目录、collection_name 与 retriever 的 search_kwargs
   • RagService：Prompt 注入文档片段+元数据；使用 RunnableWithMessageHistory 持久化历史
   • HistoryStore：文件化会话历史（JSON）
   • CLI：输入循环、session_id 支持、清空历史
3. 适配本地模型（Ollama）与 Embeddings（depends on 2）
   • 使用 langchain_community.chat_models.ChatOllama
   • 使用 OllamaEmbeddings（或其他本地 embeddings）并确保与 Chroma 持久化兼容
4. 逐类实现（depends on 2,3）
   • 每次聚焦一个类/方法：先让你陈述写法，再给建议/指出问题
   • 重点讲解：RecursiveCharacterTextSplitter 用法、Chroma persist_directory、Prompt 注入文档片段及来源引用
   • 提醒：metadata 传递，保留 source/page/section 等信息
   • 每完成一个类，提示做最小测试（如 add_texts + similarity_search）
5. CLI 串联流程（depends on 4）
   • main.py 负责：初始化 RagService、读取用户输入、调用 chain，并显示来源
6. Streamlit 入口（parallel with 5）
   • 复用 RagService 与 history，构建 st.chat_message 流式输出

Relevant files

• AI大模型RAG智能体开发/智能客服知识库问答系统 (基础 RAG)/data/doc — 知识库原始文档目录
• rag.py — Prompt 注入与 history chain 参考
• knowledge_base.py — TextSplitter 与 metadata 参考
• vector_stores.py — Chroma persist 参考
• file_history_store.py — JSON history 参考
• config_data.py — 配置集中化参考

Verification

1. 知识库测试：加载 data/doc 下文件后，手动检索一条相似问题，确认返回 chunks 与 metadata。
2. Chroma 持久化测试：重启进程后检索同样问题，确认结果一致。
3. Prompt 注入测试：打印 prompt，确认 context 包含文档片段与 metadata。
4. CLI 流程测试：输入问题 → 输出答案 + 来源；切换 session_id 再问。
5. Streamlit 测试：页面问答正常，消息持久化。

Decisions

• 交互形态：先 CLI，后 Streamlit。
• 模型：本地 Ollama。
• 数据目录：固定 data/doc，支持 txt/pdf/md/docx。

Further Considerations

1. Embeddings 选型：OllamaEmbeddings 速度慢但方便；可选 bge 之类的本地模型。
2. Source 展示策略：文件名 + chunk 索引 vs 文件名 + 页码（PDF）。
3. CLI 历史存储：是否与 Streamlit 共享同一 history_store_path。

如果你认可这份计划，我们就从第一个类开始，先做 KnowledgeBaseService。我会先问你打算怎么写它的一个方法，再给建议。