# Cezzis鸡尾酒RAG系统：端到端智能检索增强生成工作流 > 基于Python、Qdrant向量数据库、Ollama本地大模型的鸡尾酒知识RAG系统，通过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。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-22T02:24:22.000Z - 最近活动: 2026-04-22T04:30:56.883Z - 热度: 146.9 - 关键词: RAG, 向量数据库, Qdrant, Ollama, 鸡尾酒, 智能问答, E5嵌入 - 页面链接: https://www.zingnex.cn/forum/thread/cezzisrag - Canonical: https://www.zingnex.cn/forum/thread/cezzisrag - Markdown 来源: ingested_event --- ## 项目概述：为鸡尾酒爱好者打造的AI知识库 cezzis-com-ingestion-agentic-wf是一个面向鸡尾酒领域的端到端RAG（Retrieval-Augmented Generation，检索增强生成）系统。该项目为cezzis.com网站提供智能搜索和问答能力，让用户能够通过自然语言查询获取专业的鸡尾酒知识。 ### 什么是RAG？ RAG是一种结合信息检索和文本生成的AI架构： 1. **检索阶段**：根据用户查询，从知识库中检索相关文档 2. **增强阶段**：将检索结果与用户查询结合，形成丰富的上下文 3. **生成阶段**：基于大语言模型生成准确、连贯的回答 相比纯生成式模型，RAG的优势在于： - **准确性**：基于真实数据，减少幻觉 - **时效性**：知识库可动态更新 - **可溯源**：回答可追溯到具体来源 - **成本效益**：无需微调大模型 ## 技术栈：现代AI应用的标准组合 该项目采用了当前AI应用开发的主流技术栈： ### 核心组件 **Python后端** 作为整个系统的基础，Python提供了丰富的AI/ML生态支持。项目使用现代Python异步框架（如FastAPI或Flask），确保高并发处理能力。 **Qdrant向量数据库** Qdrant是一个开源的向量搜索引擎，专门用于存储和检索高维嵌入向量。在RAG系统中，它负责： - 存储鸡尾酒文档的向量表示 - 执行语义相似度搜索 - 支持混合搜索（向量+关键词） - 提供过滤和聚合功能 Qdrant的优势包括高性能、易部署、支持多种距离度量（余弦相似度、欧氏距离等）。 **Ollama本地大模型** Ollama是一个简化本地大模型运行的工具，支持多种开源模型（如Llama、Mistral、Qwen等）。项目使用Ollama提供： - 文本生成功能（回答用户查询） - 嵌入生成（将文本转换为向量） - 本地部署，保护数据隐私 - 降低API调用成本 **Azure Cosmos DB数据源** 鸡尾酒数据存储在Azure Cosmos DB中，这是一个全球分布的多模型数据库服务。项目通过Cosmos DB获取： - 鸡尾酒配方信息 - 原料详情 - 调制方法 - 历史背景和文化信息 **TEI（Text Embeddings Inference）与E5模型** 项目使用Hugging Face的TEI服务部署intfloat/e5-base-v2嵌入模型： - E5（Embeddings from bidirectional Encoder representations）是微软开发的先进嵌入模型 - e5-base-v2在语义相似度任务上表现优异 - TEI提供高性能的嵌入推理服务 - 支持批处理和动态批处理优化 ## 系统架构：数据流全景 整个系统的工作流程可以分为数据准备和在线服务两个阶段。 ### 阶段一：数据准备（Ingestion Pipeline） **步骤1：数据提取** 从Azure Cosmos DB提取原始鸡尾酒数据： - 连接Cosmos DB API - 查询所有鸡尾酒文档 - 处理嵌套数据结构 - 数据清洗和标准化 **步骤2：文档分块** 将长文档切分为适合检索的片段： - 按语义边界分块（如配方、历史、调制技巧） - 控制块大小（通常256-512 tokens） - 保留上下文重叠（避免信息割裂） - 添加元数据标签（鸡尾酒名称、类别、难度等） **步骤3：嵌入生成** 使用E5模型将文本块转换为向量： - 调用TEI服务进行批量嵌入 - 生成768维向量表示 - 添加指令前缀（E5模型需要"passage: "前缀） **步骤4：向量存储** 将嵌入向量存入Qdrant： - 创建集合（Collection）定义向量维度 - 配置距离度量（余弦相似度） - 建立索引优化搜索性能 - 存储原始文本和元数据作为payload ### 阶段二：在线服务（Query Pipeline） **步骤1：查询嵌入** 用户提交查询后，系统首先生成查询向量： - 对查询文本进行预处理 - 添加E5查询前缀（"query: "） - 调用TEI生成嵌入向量 **步骤2：语义检索** 在Qdrant中搜索相似文档： - 执行近似最近邻（ANN）搜索 - 返回Top-K最相关文档 - 支持过滤（如按鸡尾酒类型、难度筛选） - 支持混合搜索（结合关键词匹配） **步骤3：上下文构建** 将检索结果组织成LLM可用的格式： - 拼接相关文档片段 - 添加来源标注 - 控制上下文长度（避免超出模型限制） - 重排序优化（可选） **步骤4：回答生成** 调用Ollama生成最终回答： - 构建提示模板（包含系统指令、上下文、用户问题） - 调用本地LLM生成回答 - 流式返回（提升用户体验） - 添加引用信息（显示数据来源） ## 智能体工作流：Agentic RAG 项目名称中的"agentic-wf"暗示了系统不仅仅是简单的RAG，而是融入了智能体（Agent）能力。 ### 什么是Agentic RAG？ 传统RAG是单次检索-生成流程。Agentic RAG引入了智能体的决策能力： - **查询理解**：分析用户意图，判断是否需要多步检索 - **工具调用**：根据需要调用不同工具（搜索、计算、验证等） - **迭代优化**：基于中间结果调整检索策略 - **自我修正**：检测并纠正错误信息 ### 鸡尾酒场景的智能体能力 在鸡尾酒知识问答中，智能体能力体现在： **多轮检索** 复杂查询可能需要多次检索： - 用户问："有哪些适合夏天喝的低酒精鸡尾酒？" - 智能体先检索"夏季鸡尾酒"，再检索"低酒精"，最后综合结果 **推理能力** 基于检索信息进行推理： - 用户问："我有伏特加和柠檬汁，能做什么？" - 智能体检索原料组合，推理可能的鸡尾酒配方 **澄清交互** 当查询不明确时主动询问： - 用户问："推荐一款经典鸡尾酒" - 智能体询问："您偏好什么基酒？甜口还是干口？" ## REST API设计 项目提供RESTful API，支持多种集成方式。 ### 核心端点 **语义搜索** ``` POST /api/search { "query": "清爽的夏日鸡尾酒", "filters": { "alcohol_level": "low", "season": "summer" }, "top_k": 5 } ``` 返回最相关的鸡尾酒文档，包含相似度分数。 **对话问答** ``` POST /api/chat { "message": "莫吉托怎么做？", "session_id": "user_123", "stream": true } ``` 返回基于RAG生成的回答，支持流式输出。 **原料推荐** ``` POST /api/recommend { "ingredients": ["伏特加", "柠檬汁"], "style": "refreshing" } ``` 基于可用原料推荐可制作的鸡尾酒。 ## 部署与运维 项目采用容器化部署，便于扩展和维护。 ### Docker Compose编排 系统包含多个服务： - **API服务**：Python FastAPI应用 - **Qdrant服务**：向量数据库 - **TEI服务**：嵌入推理服务 - **Ollama服务**：大模型推理服务 通过Docker Compose统一管理，一键启动。 ### 数据同步 系统支持增量数据更新： - 定时从Cosmos DB同步新数据 - 自动重新计算嵌入 - 无缝更新向量索引 ### 监控与日志 - 请求延迟监控 - 检索质量指标（点击率、相关性反馈） - 生成质量监控（幻觉检测） - 错误日志和告警 ## 应用场景与价值 该系统可应用于多种场景： ### 网站搜索增强 为cezzis.com提供智能搜索，用户可以用自然语言查询： - "适合女生的粉色鸡尾酒" - "用朗姆酒调制的经典饮品" - "不需要摇壶的简单配方" ### 调酒助手 作为虚拟调酒师，回答用户问题： - 配方查询和步骤指导 - 原料替换建议 - 口味搭配推荐 - 历史和文化背景介绍 ### 内容创作辅助 帮助编辑生成鸡尾酒相关内容： - 自动生成饮品描述 - 推荐相关主题文章 - 创建个性化推荐列表 ## 技术亮点与学习价值 该项目展示了现代RAG系统的最佳实践： ### 模块化设计 数据摄取、向量存储、推理服务分离，便于独立扩展和替换组件。 ### 本地优先 使用Ollama和TEI，所有推理在本地完成，保护数据隐私，降低API成本。 ### 生产就绪 包含完整的错误处理、日志记录、监控指标，可直接用于生产环境。 ### 可扩展架构 易于扩展到其他垂直领域（如美食、旅游、医疗等），只需替换数据源和领域知识。 ## 结语 cezzis-com-ingestion-agentic-wf是一个优秀的RAG系统实现案例，展示了如何将现代AI技术（向量数据库、嵌入模型、大语言模型）整合为实用的知识服务。对于希望构建类似系统的开发者，该项目提供了清晰的架构参考和实现思路。随着RAG技术的不断成熟，这类领域特定的智能问答系统将在各行各业得到广泛应用。