Cet article présente une implémentation complète d'une base de connaissances à génération augmentée par récupération (RAG) adaptée aux directives médicales chinoises. Le système utilise LangChain pour l'orchestration, MinerU pour l'analyse PDF en ligne, DashScope pour générer des embeddings de texte et Qdrant comme base de données vectorielle. L'auteur détaille l'ensemble du pipeline, de la configuration de l'environnement et de la construction de la base de connaissances à la mise en œuvre de la fonctionnalité Q&R utilisateur. Les composants clés incluent une API pour les téléchargements de fichiers, un worker pour l'analyse de documents et un système de requête qui récupère les informations pertinentes. Ce projet sert d'exemple pratique pour les développeurs cherchant à créer des applications RAG spécifiques à un domaine, en particulier dans des secteurs réglementés comme la santé. Le choix des outils et l'architecture fournissent une base solide qui peut être adaptée à d'autres domaines. L'article met également en évidence des défis tels que la précision de l'analyse des documents et l'optimisation de la recherche vectorielle, offrant des leçons précieuses pour les déploiements réels.
Une procédure pratique d'un système RAG pour les directives médicales chinoises, couvrant l'analyse de documents, le stockage vectoriel et le Q&R.