# RAG知识库 - 快速开始指南

## 📝 操作步骤

### 第1步：准备文档

将你的心理学知识文档放入上传目录：
```
D:\wwwroot\RAG\uploads\
```

支持的格式：
- `.txt` - 纯文本
- `.pdf` - PDF文档
- `.docx` - Word文档
- `.md` - Markdown文档

示例文档结构：
```
D:\wwwroot\RAG\uploads\
├── 抑郁症评估标准.txt
├── 焦虑症干预方法.pdf
├── 心理咨询案例集.docx
└── 心理健康知识.md
```

### 第2步：启动应用

确保以下服务正在运行：
- ✅ Ollama（用于生成向量）
- ✅ MySQL（系统数据库）
- ✅ Redis（缓存）
- ✅ Spring Boot应用

启动Spring Boot应用后，访问：
```
http://localhost:30081
```

### 第3步：处理文档

**方式A：使用脚本（推荐）**

双击运行：
```
处理上传文件.bat
```

脚本会自动：
1. 检查应用状态
2. 扫描上传目录
3. 调用API处理所有文档
4. 生成向量并保存

**方式B：使用API**

```bash
# 处理所有文档
curl -X POST http://localhost:30081/api/knowledge/rebuild

# 或使用Postman/浏览器访问
POST http://localhost:30081/api/knowledge/rebuild
```

**方式C：通过Web界面**

1. 登录系统
2. 进入"知识库管理"
3. 点击"重建索引"按钮

### 第4步：检查状态

**方式A：使用脚本**

双击运行：
```
检查知识库状态.bat
```

**方式B：使用API**

```bash
# 查看知识库状态
curl http://localhost:30081/api/knowledge/status

# 返回示例：
{
  "ai_service": "connected",
  "vector_store": "connected",
  "document_count": 156,
  "mode": "hybrid",
  "ollama_url": "http://localhost:11434",
  "openai_url": "https://api.moonshot.cn/v1"
}
```

**方式C：查看文件**

检查向量数据文件是否生成：
```
D:\wwwroot\RAG\data\chroma_db\vector_store.json
```

如果文件存在且大小>0，说明数据已加载。

### 第5步：测试检索

**使用API测试**

```bash
# 测试知识检索
curl -X POST http://localhost:30081/api/knowledge/retrieve ^
  -H "Content-Type: application/json" ^
  -d "{\"query\":\"抑郁症的症状有哪些\",\"top_k\":3}"

# 返回示例：
{
  "documents": [
    "抑郁症的主要症状包括：情绪低落、兴趣减退...",
    "轻度抑郁的表现：偶尔情绪低落，但能维持日常生活...",
    "中度抑郁需要及时寻求专业心理咨询..."
  ],
  "sources": [...],
  "retrieval_time": 0.05
}
```

### 第6步：使用AI分析

在系统中使用AI分析功能：

1. 进入"测评报告"页面
2. 选择一个测评报告
3. 点击"AI分析"按钮
4. 系统会：
   - 从知识库检索相关内容
   - 调用Kimi API生成分析
   - 显示分析结果和知识来源

## 🔄 日常维护

### 添加新文档

1. 将新文档放入 `D:\wwwroot\RAG\uploads\`
2. 运行 `处理上传文件.bat`
3. 系统会处理新文档并更新向量库

### 更新文档

1. 替换 `D:\wwwroot\RAG\uploads\` 中的文档
2. 运行 `处理上传文件.bat`
3. 系统会重新处理所有文档

### 删除文档

1. 从 `D:\wwwroot\RAG\uploads\` 删除文档
2. 运行 `处理上传文件.bat`
3. 系统会重建索引（不包含已删除的文档）

### 清空知识库

**方式A：使用API**
```bash
curl -X DELETE http://localhost:30081/api/knowledge/clear
```

**方式B：删除文件**
```bash
# 删除向量数据
del D:\wwwroot\RAG\data\chroma_db\vector_store.json

# 删除所有文档
del D:\wwwroot\RAG\uploads\*.*
```

## 📊 监控和优化

### 查看处理日志

应用日志会显示处理进度：
```
[INFO] 开始处理文档: 抑郁症评估标准.txt
[INFO] 文档分块: 5个片段
[INFO] 生成向量: 5/5
[INFO] 保存到向量库: 完成
[INFO] 处理耗时: 2.3秒
```

### 性能优化

如果处理速度慢：
1. 检查Ollama是否正常运行
2. 减小文档大小或数量
3. 调整分块参数（application.yml）

### 备份数据

定期备份重要文件：
```bash
# 备份向量数据
copy D:\wwwroot\RAG\data\chroma_db\vector_store.json backup\

# 备份文档
xcopy D:\wwwroot\RAG\uploads backup\uploads\ /E /I
```

## ❓ 常见问题

### Q: 运行脚本提示"应用未启动"？
A: 先启动Spring Boot应用，确保能访问 http://localhost:30081

### Q: 文档处理失败？
A: 检查：
1. Ollama是否运行（`ollama list`）
2. 文档格式是否支持
3. 文档是否损坏
4. 查看应用日志

### Q: 向量数据文件很大？
A: 正常现象。1000个片段约10-20MB。可以：
1. 删除不需要的文档
2. 调整分块大小
3. 定期清理

### Q: 重启后数据丢失？
A: 不会！数据已持久化到 `vector_store.json`。
如果丢失，检查：
1. 文件是否存在
2. 文件权限是否正确
3. 应用日志是否有错误

### Q: 如何验证数据已加载？
A: 三种方式：
1. 运行 `检查知识库状态.bat`
2. 查看 `vector_store.json` 文件大小
3. 测试知识检索API

## 🎯 最佳实践

1. **文档质量**：上传高质量、结构化的文档
2. **定期更新**：及时更新过时的知识
3. **分类管理**：用子目录组织不同类型的文档
4. **测试验证**：上传后测试检索效果
5. **备份习惯**：定期备份向量数据和文档

---

**现在开始使用吧！** 🚀

有问题随时查看日志或运行检查脚本。