Bitzsoft.Integrations.RAG 1.0.0-alpha.7

Bitzsoft.Integrations.RAG

检索增强生成 — Qdrant 向量数据库 + IEmbeddingGenerator 抽象（Ollama / OpenAI 可插拔），开箱即用的 RAG 解决方案。

功能特性

• 基于 Qdrant 向量数据库的高性能相似度检索
• 嵌入层基于 MEAI IEmbeddingGenerator<string, Embedding<float>> 抽象，支持 Ollama / OpenAI 双后端
• BM25 混合检索：向量检索 + 关键词 BM25 评分 + 倒排排融合（RRF）重排序
• 提供完整的文档处理管线：清理、分块（按段落 / 按固定大小）、嵌入、索引
• 支持元数据过滤（按 category、sourceFile 等字段筛选检索范围）
• 自动生成基于检索结果的系统提示词（SystemPrompt），无缝对接 AI 对话流程
• 所有服务均通过 DI 注册，可独立替换各层实现

安装

dotnet add package Bitzsoft.Integrations.RAG

配置

Ollama 嵌入后端（默认）

{
  "Ollama": {
    "Url": "http://localhost:11434",
    "ApiKey": "",
    "DefaultModel": "nomic-embed-text",
    "VectorSize": 1536
  },
  "Qdrant": {
    "Url": "http://localhost:6334",
    "ApiKey": "",
    "CertificateThumbprint": ""
  }
}

Qdrant 配置

注册服务

使用 Ollama 嵌入（默认）

using Bitzsoft.Integrations.RAG;
using Bitzsoft.Integrations.RAG.Ollama;
using Bitzsoft.Integrations.RAG.Qdrant;

// Program.cs
services.AddRAG(
    configureOllama: options =>
    {
        options.Url = "http://localhost:11434";
        options.DefaultModel = "nomic-embed-text";
        options.VectorSize = 1536;
    },
    configureQdrant: options =>
    {
        options.Url = "http://localhost:6334";
        options.ApiKey = "your-qdrant-api-key";
    });

使用 OpenAI 嵌入（无需部署 Ollama）

services.AddRAGWithOpenAIEmbeddings(
    configureEmbedding: options =>
    {
        options.Endpoint = "https://api.openai.com/v1";
        options.ApiKey = "sk-your-openai-key";
        options.ModelId = "text-embedding-3-small";
    },
    configureQdrant: options =>
    {
        options.Url = "http://localhost:6334";
    });

AddRAG / AddRAGWithOpenAIEmbeddings 均会注册 IEmbeddingGenerator<string, Embedding<float>>、IQdrantService 和 IRAGService，可在 DI 容器中独立注入。

使用示例

文档索引与检索问答

using Microsoft.Extensions.AI;
using Bitzsoft.Integrations.RAG;
using Bitzsoft.Integrations.RAG.Dto;

public class KnowledgeBaseService(
    IRAGService ragService,
    IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator)
{
    private const string CollectionName = "company-docs";

    /// <summary>
    /// 索引一篇文档到知识库（自动分块 + 向量化）
    /// </summary>
    public Task<bool> IndexDocumentAsync(
        string content, string fileName, string title,
        string category = "", CancellationToken ct = default)
    {
        var cleanedContent = DocumentProcessor.CleanDocument(content);
        return ragService.IndexDocumentAsync(CollectionName, cleanedContent, fileName, title, category);
    }

    /// <summary>
    /// 基于知识库回答用户问题
    /// </summary>
    public async Task<(string SystemPrompt, List<DocumentChunkDto> Sources)> AskAsync(
        string question, CancellationToken ct = default)
    {
        // 生成查询向量
        var queryVector = (await embeddingGenerator.GenerateVectorAsync(question, ct)).ToArray();

        // 检索相关文档并生成 SystemPrompt
        var (success, systemPrompt, documents) = await ragService.GetSystemPromptAsync(
            CollectionName, queryVector, topK: 3, scoreThreshold: 0.7);

        return (systemPrompt, documents);
    }
}

BM25 混合检索（语义 + 关键词 + RRF 融合）

public class HybridSearchExample(IRAGService ragService)
{
    /// <summary>
    /// 混合检索：向量语义匹配 + BM25 关键词匹配，RRF 融合重排序
    /// </summary>
    public Task<List<DocumentChunkDto>> SearchAsync(string question, CancellationToken ct = default)
    {
        return ragService.HybridSearchAsync(
            collectionName: "company-docs",
            queryText: question,
            topK: 5,
            metadataFilter: new() { ["category"] = "技术文档" });
    }
}

直接使用底层 Qdrant 服务

using Bitzsoft.Integrations.RAG.Qdrant;
using Microsoft.Extensions.AI;

public class VectorSearchService(
    IQdrantService qdrantService,
    IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator)
{
    public Task<bool> InitializeCollectionAsync(string name, CancellationToken ct = default)
        => qdrantService.CreateCollectionAsync(name, vectorSize: 1536);

    public async Task<List<DocumentChunkDto>> SearchAsync(
        string query, string collectionName, int topK = 5, CancellationToken ct = default)
    {
        var queryVector = (await embeddingGenerator.GenerateVectorAsync(query, ct)).ToArray();
        return await qdrantService.SearchAsync(collectionName, queryVector, (ulong)topK);
    }
}

相关包