基于RAG的AI课程助手：让长视频课程变得可搜索、可问答

本开源项目构建检索增强生成（RAG）系统，解决长视频课程检索效率低的痛点，将视频转化为可搜索知识库，支持自然语言查询并返回精确时间戳，本地部署保护隐私，技术栈涵盖Whisper、Ollama、LLaMA 3.2等。

项目背景：视频学习的痛点

在线教育普及带来便捷，但长视频内容检索效率低下，传统导航方式原始；视频内容非结构化，单纯文本搜索难以理解意图和关联概念。

核心解决方案：RAG驱动的智能课程助手

构建针对长视频场景的RAG系统，目标是转化视频为可搜索问答知识库，支持自然语言提问并返回带时间戳的精准回答，面向生产环境设计，实现语义检索与LLM推理结合。

技术架构：从视频到知识库的全流程

视频预处理与音频提取

用FFmpeg提取音频，解决文件名冲突等细节。

语音转录与时间戳对齐

用Whisper生成带时间戳的转录文本，分布式Colab实例加速批量处理，生成结构化JSON。

语义分块与上下文保持

智能合并短片段为语义单元，避免上下文丢失。

向量嵌入与相似度检索

Ollama本地部署bge-m3生成向量，存储于Pandas并Joblib持久化，余弦相似度匹配查询。

LLM生成与答案合成

LLaMA 3.2结合检索片段生成回答，附带精确时间戳定位。

系统优势与特色功能

精确时间戳定位

回答关联视频具体位置，改变检索方式。

本地运行与隐私保护

基于Ollama本地部署，无外部API依赖，保护数据隐私。

可扩展架构

模块化松耦合设计，便于定制扩展。

应用场景与未来展望

应用场景：在线教育平台集成、企业培训检索、个人学习整理。

未来方向：引入向量数据库、开发Web UI、支持多学科、优化检索排序策略。

总结

RAG技术成功转化非结构化视频为可搜索知识库，本地运行无外部依赖，为教育内容智能化提供实用可扩展解决方案。