README
¶
rag
知识检索——向量化/混合召回/重排，向量后端可插拔 —— oagentkit 模块矩阵 tier 1（能力层，依赖 tier0）。
go get github.com/oagentkit/rag
| 包 | 职责 |
|---|---|
rag |
知识检索：向量化接口（Embedder）、向量后端可插拔、混合召回与重排 |
定位
tier 1 — 能力层，依赖 tier0。
- 本仓依赖的矩阵内仓：
textx。
外部依赖地板
github.com/cloudwego/einogithub.com/milvus-io/milvus-sdk-go/v2
与 oekit 的关系
本矩阵（oagentkit，Agent/LLM 编排工具链）依赖 oekit（Open Easy Kit，Go 微服务工具链）：
oekit/pkg / oekit/concurrency / oekit/logx 等。oekit 是另一套独立矩阵，不是子品牌。
开发
go test ./... -race
go vet ./...
gofmt -l .
规范见 AGENTS.md。
License
MIT
- 单路召回失败不得降级为
(nil, nil)。 混合召回中任一路 panic 或失败 要作为该路失败参与裁决；全部路失败时返回 panic 错误而非静默空结果。 - 向量后端可插拔，新增后端不得改
Embedder/KnowledgeService接口形状 —— 那会让所有后端同时 breaking。
Documentation
¶
Overview ¶
Package rag Embedding 接口定义与 OpenAI 兼容实现。
Hybrid 向量+关键词双路混合检索（R10，RRF 融合）：语义路（MilvusStore，embedding 近邻）与词料路（Local，TF-IDF）各取候选，倒数排名融合（Reciprocal Rank Fusion）—— 跨路命中的文档得分累加（双路都认为相关=真相关的最强信号），单路独有的按名次计分。 降级哲学与装配侧一致：任一路失败降级为另一路纯检索（检索面永不因一路缺失禁用）， 双路全败才回错。
Package rag Milvus 向量检索后端。 使用 Milvus Go SDK v2 实现 KnowledgeService 接口， 支持向量相似度检索（余弦相似度 / L2 距离）。
Package rag 知识检索服务。 提供两种后端：Local（本地 TF-IDF）和 MilvusStore（向量数据库）。 检索算法 = 词元重叠打分（ASCII 词 + CJK 二元组）或向量相似度， 零外部向量库依赖（Local）或 Milvus 向量数据库（MilvusStore）。
Index ¶
- func NewSearchTool(svc KnowledgeService) tool.BaseTool
- type Chunk
- type Embedder
- type Filter
- type Hybrid
- type KnowledgeService
- type Local
- type MilvusConfig
- type MilvusStore
- func (s *MilvusStore) AsTool() tool.BaseTool
- func (s *MilvusStore) Close() error
- func (s *MilvusStore) DeleteFile(ctx context.Context, file string) error
- func (s *MilvusStore) Flush(ctx context.Context) error
- func (s *MilvusStore) Index(ctx context.Context, file string, content string) error
- func (s *MilvusStore) IndexQuiet(ctx context.Context, file string, content string) error
- func (s *MilvusStore) Retrieve(ctx context.Context, query string, topK int, filter Filter) ([]Chunk, error)
- type Noop
- type OpenAIEmbedder
Constants ¶
This section is empty.
Variables ¶
This section is empty.
Functions ¶
func NewSearchTool ¶
func NewSearchTool(svc KnowledgeService) tool.BaseTool
NewSearchTool 构建 search_knowledge eino 工具（v0.14.1 导出缝）：消费方包装 KnowledgeService 后须重建工具面——包装层 AsTool 直透内层会把工具调用绕过包装 检索语义（bianque 知识组去重包装实需）。schema/文案与 buildAsTool 单源。
Types ¶
type Chunk ¶
Chunk 检索片段。
func ChunkPreview ¶
ChunkPreview 切块只读预览（v0.14.2）：与索引侧 chunkMarkdown 同一状态机——消费方 （bianque 知识文档管理面，对标 Dify/RAGFlow 分段预览）展示「这篇会切成几块、每块什么 内容」，预览与实际索引不分叉。返回块内容与所属标题（Metadata["heading"]，无标题块为空）。
type Embedder ¶
type Embedder interface {
// Embed 将文本切片转为向量切片，返回的向量维度应一致。
Embed(ctx context.Context, texts []string) ([][]float32, error)
// Dim 返回向量维度。
Dim() int
}
Embedder 文本向量化接口。
type Hybrid ¶
type Hybrid struct {
// contains filtered or unexported fields
}
Hybrid 组合检索器：vector=语义路（必选），keyword=词料路（Local 的 TF-IDF 索引， 纯内存随目录重建）。
func (*Hybrid) Retrieve ¶
func (h *Hybrid) Retrieve(ctx context.Context, query string, topK int, filter Filter) ([]Chunk, error)
Retrieve 双路并行检索 → RRF 融合 → topK。两路各取 topK*2 候选（融合后截断， 候选池放大让跨路重叠有归并空间）；单路失败降级单路，双路全败回 first error。 双路经 syncx.FanInErr 收口（concurrency v0.5.0 起 Slot 三态）：路内 panic 不再 伪装成空路，而是作为该路失败参与降级裁决——单路 panic 降级另一路，双路全败 （含 panic）回错不再静默返回空结果；恐慌经全局 handler 上报，不出宿主进程。
type KnowledgeService ¶
type KnowledgeService interface {
Retrieve(ctx context.Context, query string, topK int, filter Filter) ([]Chunk, error)
AsTool() tool.BaseTool
}
KnowledgeService 知识检索服务接口。 模式一：预检索（确定性）—— workflow 阶段在拼 prompt 前取 topK 片段。 模式二：工具化（自主）—— 包成 search_knowledge(query) 挂进 ReAct agent。
type Local ¶
type Local struct {
// contains filtered or unexported fields
}
Local 本地文件知识库（启动扫描 + 过期重扫）。
type MilvusConfig ¶
type MilvusConfig struct {
Address string // Milvus 地址，如 "localhost:19530"
Collection string // 集合名，默认 "agentkit_knowledge"
Dimension int // 向量维度（需与 Embedder.Dim() 一致）
MetricType entity.MetricType // 距离度量，默认 COSINE
NProbe int // 搜索时的 nprobe，默认 16
}
MilvusConfig Milvus 连接配置。
type MilvusStore ¶
type MilvusStore struct {
// contains filtered or unexported fields
}
MilvusStore Milvus 向量检索后端。
func NewMilvusStore ¶
func NewMilvusStore(ctx context.Context, cfg MilvusConfig, embedder Embedder) (*MilvusStore, error)
NewMilvusStore 创建 Milvus 向量检索后端。
func (*MilvusStore) AsTool ¶
func (s *MilvusStore) AsTool() tool.BaseTool
AsTool 实现 KnowledgeService 接口。
func (*MilvusStore) DeleteFile ¶
func (s *MilvusStore) DeleteFile(ctx context.Context, file string) error
DeleteFile 删除指定文件的所有索引数据。
func (*MilvusStore) Flush ¶
func (s *MilvusStore) Flush(ctx context.Context) error
Flush 持久化本集合全部未落盘写入（批量写入收尾点）。
func (*MilvusStore) Index ¶
Index 将文档分块并索引到 Milvus（单文件写=embed→delete→upsert→flush）。 批量写入请用 IndexQuiet+收尾 Flush——per-file Flush 实测 ~20s/文件（对象存储 落盘 RPC 主导，向量计算亚秒），千级文件会把全量重索引拖成小时级（2026-10-08 bianque 对拍实弹）。 幂等：成功路径上先清该文件旧数据再写入——文件变短（删章节/内容精简）时 chunk 数变少，只 Upsert 新块会残留 chunk_M..N-1 旧行携带过期内容参与检索 挤占 topK（与 Local.Rescan 的全量重建同语义）。 顺序：chunk → Embed 成功 → Delete → Upsert。Embed 是外部网络调用（抖动/ 限流/超时是常规事件），先删后嵌会把旧索引一并清掉；倒序后最常见的失败 （embedding）不再动旧数据。残余窗口：Delete 成功而 Upsert/Flush 失败时旧 数据已删新数据未写（该文件暂时从检索面消失，直到下次 Index 重建）—— 该窗口远小于原形态且失败以错误上抛，调用方可重试。
func (*MilvusStore) IndexQuiet ¶
IndexQuiet 单文件写入但不 Flush（批量收尾点由调用方 Flush 一次）。数据在 flush 前已可检索（growing segments），Flush 语义=持久化到 sealed segments—— 调用方须保证批次终态调 Flush，否则进程崩溃窗内未 flush 写入丢失（重跑幂等）。
type OpenAIEmbedder ¶
type OpenAIEmbedder struct {
BaseURL string // 如 https://api.openai.com/v1 或 https://dashscope.aliyuncs.com/compatible-mode/v1
APIKey string
Model string // 如 text-embedding-3-small / text-embedding-v3
// contains filtered or unexported fields
}
OpenAIEmbedder OpenAI 兼容 Embedding API 适配器。 支持 OpenAI / 百炼 / 任何兼容 /v1/embeddings 端点。
func NewOpenAIEmbedder ¶
func NewOpenAIEmbedder(baseURL, apiKey, model string, dim int) *OpenAIEmbedder
NewOpenAIEmbedder 创建 OpenAI 兼容 Embedding 客户端。
func (*OpenAIEmbedder) String ¶
func (e *OpenAIEmbedder) String() string
Source Files