🩺 Diabetes-Expert-RAG: 糖尿病 AI 医学问诊系统

这是一个基于 RAG (Retrieval-Augmented Generation, 检索增强生成) 技术的本地医学咨询原型系统。项目通过集成大语言模型与专业医学指南，实现了 100% 本地化的专业问答能力。

🌟 项目亮点

• 100% 本地运行：基于 Ollama 部署 DeepSeek-R1 与 BGE-M3，无需 API Key，保护隐私且零成本。
• 专业证据溯源：基于 11 份权威糖尿病诊疗指南（PDF），回答内容均可追溯至原文。
• 现代化工程管理：使用 uv 进行依赖管理，支持 Docker 容器化部署，确保环境一致性。
• 交互式 Web UI：使用 Streamlit 搭建，提供流畅的类 ChatGPT 问答体验。

🛠️ 技术栈

• LLM: DeepSeek-R1 (1.5B)
• Embedding: BGE-M3 (针对中文医学优化)
• Framework: LangChain, LangChain-Chroma
• Vector DB: ChromaDB
• UI: Streamlit
• Package Manager: uv

📂 项目结构

Diabetes-Expert-RAG/
├── data/               # 数据存储
│   ├── documents/      # 原始医学指南 (PDF)
│   └── chroma_bge-m3/  # 持久化向量数据库
├── src/                # 源代码
│   ├── model_and_embedding.py  # 模型配置与嵌入逻辑
│   ├── update_database.py      # 数据入库与向量化脚本
│   ├── query_data.py           # RAG 核心检索逻辑
│   └── ui.py                   # Streamlit Web 界面
├── Dockerfile          # 容器化配置文件
├── pyproject.toml      # 项目元数据与依赖 (uv 格式)
├── .python-version     # 指定 Python 版本 (3.11)
└── requirements.txt    # 通用依赖清单 (pip 兼容)

🚀 快速开始

1. 环境准备

确保已安装 Ollama 并下载所需模型：

ollama pull deepseek-r1:1.5b
ollama pull bge-m3

2. 初始化项目 & 同步依赖

使用 uv 自动创建 3.11 环境并同步依赖：

uv sync

3. 构建知识库 (首次运行)

将 PDF 指南放入 data/documents/，然后执行（推荐使用 uv run）：

uv run src/update_database.py

4. 启动 Web 界面

使用 uv run 直接运行，无需手动激活虚拟环境：

uv run streamlit run src/ui.py

📝 开发者心得

本项目在复刻过程中，深入解决了 LangChain 版本迁移、ChromaDB 路径兼容性以及 PDF AES 解密等核心工程问题，是一次完整的从“数据处理”到“产品交付”的实战练习。

---

本项目仅供学术研究与学习参考，不作为最终医学诊断建议。