52 lines
1.6 KiB
Python
52 lines
1.6 KiB
Python
|
# -*- coding: utf-8 -*-
|
|||
|
|
"""
|
|||
|
|
RAG 服务配置文件
|
|||
|
|
支持与 jar 包同级目录部署
|
|||
|
|
使用本地 Ollama 进行向量化
|
|||
|
|
"""
|
|||
|
|
import os
|
|||
|
|
import sys
|
|||
|
|
|
|||
|
|
# 服务配置
|
|||
|
|
HOST = "0.0.0.0"
|
|||
|
|
PORT = 5000
|
|||
|
|
|
|||
|
|
# Ollama 配置（使用本地 Ollama 生成向量）
|
|||
|
|
OLLAMA_URL = "http://localhost:11434"
|
|||
|
|
OLLAMA_EMBED_MODEL = "nomic-embed-text" # 你已经下载的嵌入模型
|
|||
|
|
|
|||
|
|
# 获取程序运行目录（支持打包后部署）
|
|||
|
|
# 当与 jar 包同级部署时，BASE_DIR 就是 rag-python 文件夹
|
|||
|
|
if getattr(sys, 'frozen', False):
|
|||
|
|
# 如果是打包后的 exe
|
|||
|
|
BASE_DIR = os.path.dirname(sys.executable)
|
|||
|
|
else:
|
|||
|
|
# 正常 Python 运行
|
|||
|
|
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
|
|||
|
|
|
|||
|
|
# 文件夹配置 - 都在 rag-python 目录下
|
|||
|
|
KNOWLEDGE_DIR = os.path.join(BASE_DIR, "knowledge_docs") # 知识库文档目录
|
|||
|
|
INDEX_DIR = os.path.join(BASE_DIR, "index_data") # 索引存储目录
|
|||
|
|
UPLOAD_DIR = os.path.join(BASE_DIR, "uploads") # 上传文件临时目录
|
|||
|
|
|
|||
|
|
# 确保目录存在
|
|||
|
|
for dir_path in [KNOWLEDGE_DIR, INDEX_DIR, UPLOAD_DIR]:
|
|||
|
|
os.makedirs(dir_path, exist_ok=True)
|
|||
|
|
|
|||
|
|
# 支持的文件类型
|
|||
|
|
SUPPORTED_EXTENSIONS = {'.txt', '.md', '.pdf', '.docx', '.doc'}
|
|||
|
|
|
|||
|
|
# 文本分块配置
|
|||
|
|
CHUNK_SIZE = 300 # 每个文本块的字符数（减小以适应 nomic-embed-text 的 2048 token 限制）
|
|||
|
|
CHUNK_OVERLAP = 30 # 文本块之间的重叠字符数
|
|||
|
|
|
|||
|
|
# 检索配置
|
|||
|
|
TOP_K = 5 # 返回最相关的文档数量
|
|||
|
|
|
|||
|
|
# 打印配置信息
|
|||
|
|
print(f"[配置] 程序目录: {BASE_DIR}")
|
|||
|
|
print(f"[配置] 知识库目录: {KNOWLEDGE_DIR}")
|
|||
|
|
print(f"[配置] 索引目录: {INDEX_DIR}")
|
|||
|
|
print(f"[配置] Ollama地址: {OLLAMA_URL}")
|
|||
|
|
print(f"[配置] 嵌入模型: {OLLAMA_EMBED_MODEL}")
|