LLM_MVC：一个极简的本地 RAG 问答机器人实现

LLM_MVC是一个最小可行代码（Minimal Viable Code）实现的本地RAG问答系统，基于Markdown知识库，支持自动分块、ChromaDB向量存储、多文件索引和带引用的回答生成。该项目依赖极简（仅openai、chromadb、python-dotenv三个核心库），代码精简，旨在帮助开发者以极低门槛理解RAG核心工作原理，同时具备实用性，可直接用于个人知识库管理与问答。

LLM_MVC由Holden-Lin开发维护，项目名中"MVC"强调最小可行代码的设计理念，核心价值是用最少代码行数展示RAG系统核心原理，同时保持实用性。与复杂RAG框架不同，其仅需三个核心依赖，降低安装维护成本，让开发者能清晰追踪数据流环节。

LLM_MVC遵循标准RAG范式：用户提问→Embedding向量化→ChromaDB top-k检索→LLM生成带引用回答。系统使用OpenAI的text-embedding-3-small模型（可配置切换）将问题与文档转为向量，存储于本地ChromaDB并支持持久化；用户提问时计算问题向量，检索语义最相近的top-k文本片段。

文档分块是RAG关键环节，LLM_MVC实现自动检测文档结构的智能分块机制：

• 分隔符型：针对---分隔的笔记类文件，每个条目为独立chunk，过长则按段落拆分并保留重叠区域；
• 标题层级型：针对标准Markdown长文章，按#到####层级切分，每个chunk继承完整标题链（如产品指南>安装>环境要求）。 两种模式均支持段落合并、200字符重叠窗口、智能断句。

带引用回答：系统要求LLM在回答中标注[1][2]等来源编号，生成后自动输出参考列表（含原文片段与文件路径）。 配置与交互：通过.env管理配置（知识库路径、分块参数、检索参数、模型配置等）；运行后进入REPL模式，支持/debug（仅显示检索chunks）、/reindex（重建索引）、/quit（退出）命令。

索引更新：启动时计算知识库文件MD5哈希，与ChromaDB存储的哈希比对，一致则跳过索引，不同则全量重建；也可通过/reindex手动触发。 应用场景：个人知识管理、客服知识库（带URL引用）、RAG学习入门、原型快速验证。

LLM_MVC的技术亮点包括：

1. 自适应分块策略，适应多样化文档格式；
2. 标题链继承增强检索语义匹配；
3. 完整引用机制平衡流畅性与可追溯性；
4. 哈希校验优化索引更新效率，节省API成本。

LLM_MVC证明实用RAG系统无需复杂架构与繁重依赖。通过精心设计的分块策略、清晰配置管理和高效索引机制，为开发者提供理想起点——无论是个人知识管理，还是深入学习RAG技术的入门案例。阅读其源码是理解RAG工作原理的直观方式。