基于RAG的心理学课程智能问答系统——心语导师完整实现

> 项目地址：https://gitee.com/qinghe-sixteen/psychology

一、项目背景

心理学在专升本、教师资格证等考试中占比越来越大，但传统教学面临几个痛点：

– 师资不足，学生课后问题得不到及时解答 – 教材体量大，知识点密集，难以快速定位 – 通用大模型回答不够精准，可能"编造"教材中没有的内容

基于以上问题，我开发了"心语导师"——一个严格基于《2025心理学教材》的智能问答系统。它不是通用聊天机器人，而是先检索教材原文、再基于真实内容生成答案，确保答案的学术准确性和考试针对性。

二、系统架构

整体流程：用户提问 → BM25 FAQ快速匹配 → RAG流程（BERT意图分类 → 策略选择 → 混合检索 → 精排 → LLM流式生成）→ WebSocket推送答案。

核心模块：

三、核心技术选型

3.1 为什么用混合检索？

权重设为 dense:1.0、sparse:0.7，语义为主、关键词为辅。

3.2 为什么用父子分块？

实现：子块300字做向量检索保证命中精度，命中后通过 parent_id 找到父块1200字送给LLM保证上下文完整。

3.3 为什么召回后还要Rerank？

召回用的 BGE-M3 是双塔架构，query 和 doc 分别独立编码，两者之间没有交互。BGE-Reranker 是交叉编码器，把 [query, doc] 拼接后联合编码，每一层 attention 都在做逐词交互，精度高出一个档次。

简单说：召回负责"广"（从539条里快速筛出6条），Rerank负责"准"（从6条里精选3条）。

四、关键实现

4.1 4种自适应检索策略

策略选择由 LLM 根据提示词中的4种策略定义自动判断，失败时降级为直接检索。

4.2 BM25 FAQ 快速匹配

对于高频标准问题（如"短时记忆的容量是多少"），走 BM25 + Softmax 快速通道：

1. jieba 分词 → BM25 计算54条FAQ的相关性分数 2. Softmax 归一化（减去最大值防止溢出） 3. 最高分 ≥ 0.85 → 直接返回标准答案（<100ms） 4. 命中后缓存到 Redis（TTL=180s），下次相同问题直接命中

未命中才走 RAG 流程，兼顾速度和准确性。

4.3 多轮对话记忆

```python
# 获取最近5轮历史
history = self._get_session_history(session_id)

# 历史注入提示词 + 检索增强
history_context = '\\n'.join([f'Q:{h["question"]}\\nA:{h["answer"]}' for h in history[-5:]])

# 检索时把历史问题和当前问题拼接
retrieve_query = f"{history_questions}\\n\\n{query}"

学生追问"详细说说"时，模型知道是在追问上一轮的哪个知识点。

五、效果展示

示例问答：

Q: "短时记忆的容量和编码方式是什么？" → 基于教材准确回答 7±2 个组块 Q: "为什么我背了就忘？" → 回溯策略简化为"遗忘的原因及提取失败理论"后精准检索 Q: "无意注意和有意注意有什么区别？" → 子查询策略拆分后分别检索再合并

六、部署指南

环境要求 Python 3.10+ MySQL 8.0+、Redis 6.x+、Milvus 2.x（Docker） 内存 ≥ 16GB（本地模型约需 6-8GB）

快速启动

# 1. 克隆项目
git clone https://gitee.com/qinghe-sixteen/psychology.git
cd psychology

# 2. 安装依赖
pip install fastapi uvicorn langchain langchain-community
pip install pymilvus milvus-model sentence-transformers
pip install transformers torch pymysql redis rank_bm25 jieba

# 3. 下载模型到 rag_qa/models/（见README）
# 4. 配置 config.ini（复制 config.ini.example 修改）
# 5. 启动中间件（MySQL、Redis、Milvus）
# 6. 数据初始化
python mysql_qa/utils/mysql_client.py
python main.py –data
# 7. 启动服务
python rag_api.py

浏览器访问 localhost 即可使用。

七、总结

本项目实现了从数据处理到在线问答的完整 RAG 链路，核心亮点：

1.混合检索：稠密语义 + 稀疏关键词双路召回，覆盖面更广 2.父子分块：子块检索保证精度，父块全文保证上下文完整 3.4种自适应策略：LLM 自动判断问题类型选择最优检索方式 4.BM25 + RAG 双层架构：简单问题秒回，复杂问题深度检索 5.全链路降级：任何环节失败都有兜底策略，保证系统可用性 6.后续优化方向：引入 ONNX 量化加速 Rerank、支持更多文档格式、增加用户反馈闭环优化检索效果。

项目地址：https://gitee.com/qinghe-sixteen/psychology 欢迎 Star 和提 Issue！