Cezzis鸡尾酒RAG系统：端到端智能检索增强生成工作流

本文介绍cezzis-com-ingestion-agentic-wf——一个面向鸡尾酒领域的端到端RAG系统，为cezzis.com提供智能搜索和问答能力。该系统基于Python、Qdrant向量数据库、Ollama本地大模型，结合Azure Cosmos DB数据源和E5嵌入模型，提供语义搜索和对话式问答的REST API服务。核心价值在于通过检索增强生成提升回答准确性、时效性和可溯源性，同时融入智能体能力优化用户体验。

RAG（Retrieval-Augmented Generation）是结合信息检索与文本生成的AI架构，分检索、增强、生成三阶段。相比纯生成模型，RAG优势显著：基于真实数据减少幻觉、知识库可动态更新保证时效性、回答可追溯到来源、无需微调大模型降低成本。本系统针对鸡尾酒爱好者需求，解决传统搜索难以处理自然语言查询和专业知识问答的问题。

核心技术栈：Python后端（异步框架如FastAPI/Flask）、Qdrant向量数据库（存储向量、语义搜索）、Ollama本地大模型（文本生成、嵌入、隐私保护）、Azure Cosmos DB（鸡尾酒数据存储）、TEI服务部署的E5嵌入模型（语义相似度优异）。

系统架构分为两阶段：数据准备（提取Cosmos DB数据→文档分块→嵌入生成→向量存储到Qdrant）；在线服务（查询嵌入→语义检索→上下文构建→Ollama生成回答）。

本系统融入智能体（Agent）能力，区别于传统单次RAG流程：查询理解（判断多步检索需求）、工具调用（按需使用搜索/计算等工具）、迭代优化（调整检索策略）、自我修正（纠正错误）。在鸡尾酒场景中表现为：多轮检索（如先查夏季鸡尾酒再查低酒精）、推理能力（基于现有原料推荐配方）、澄清交互（当查询模糊时主动询问偏好）。

核心API端点：语义搜索（POST /api/search，支持过滤和top_k）、对话问答（POST /api/chat，支持流式输出）、原料推荐（POST /api/recommend，基于可用原料推荐）。

部署采用Docker Compose编排（API服务、Qdrant、TEI、Ollama），支持增量数据同步（定时从Cosmos DB更新），并包含监控（请求延迟、检索质量、生成质量）与日志告警。

应用场景：网站搜索增强（自然语言查询如“适合女生的粉色鸡尾酒”）、虚拟调酒助手（配方指导、原料替换、文化背景）、内容创作辅助（自动生成描述、推荐主题）。

技术亮点：模块化设计（组件分离易扩展）、本地优先（Ollama/TEI本地推理保护隐私）、生产就绪（完整错误处理与监控）、可扩展到其他领域（替换数据源即可）。

cezzis-com-ingestion-agentic-wf是RAG系统的优秀实践案例，整合现代AI技术为实用知识服务。对开发者提供清晰架构参考，展示如何构建领域特定智能问答系统。随着RAG技术成熟，此类系统将在美食、旅游等更多行业广泛应用，为用户提供更精准、个性化的知识服务。