本项目使用 LlamaIndex 实现了一个检索增强生成 (RAG) 的心理学专家。
-aexp/: 实验配置、模型检查点、损失曲线和推理结果。
-data/:
-raw/: 原始数据。
-processed/: 处理后的数据。
-saved_index/: LlamaIndex 持久化索引存储。
-docs/: 项目文档和详细计划。
-discuss/: 讨论文档、计划和评审提案。
-logs/: 应用程序日志。
-script/: 用于运行和调试的 Shell 脚本。
-src/: Python 源代码。
-main.py: RAG 系统的主要入口点，包含用于文档加载的核心 LlamaIndex 逻辑，以及两种索引构建方法：build_and_save_index_simple（使用 VectorStoreIndex.from_documents）和 build_and_save_index_with_pipeline（使用带有 tqdm 进度条的 IngestionPipeline），包括保存、加载和查询功能。
-requirements.txt: Python 依赖项。
-readme.md: 项目 README。
-.gitignore: Git 忽略文件。
1.安装依赖项： 使用 pip install -r requirements.txt 安装 Python 依赖项。
LLM（大型语言模型）和嵌入模型通过项目根目录下的 config.json 进行配置。apis 部分包含不同 API 的配置，每个配置都定义了 base_url、api_key、default_model（用于 LLM）、embedding_model 和 embed_batch_size（嵌入生成批处理大小）。
config.json 示例片段：
{
"apis": {
"siliconflow": {
"base_url": "https://api.siliconflow.cn/v1",
"api_key": "YOUR_API_KEY",
"default_model": "Qwen/Qwen2.5-7B-Instruct",
"embedding_model": "BAAI/bge-m3",
"embed_batch_size": 1
}
},
"default_api": "siliconflow"
}
环境变量： 对于 api_key 和 base_url，如果设置了环境变量 API_KEY 和 API_BASE，它们将优先于 config.json 中的值。
要运行 RAG 系统，请使用 script/run.sh 脚本。此脚本现在接受命令行参数来配置 RAG 管道。如果未提供任何参数，将使用默认路径和默认查询。
默认执行：
bashscript/run.sh
自定义参数：
您可以通过直接向 run.sh 脚本传递参数来覆盖默认值。可用参数包括：
---config_path: 配置文件 JSON 的路径（默认值：./config.json）
---data_path: 包含文档的原始数据目录的路径（默认值：./data/raw）
---index_path: 用于保存/加载索引的目录的路径（默认值：./data/saved_index）
---query_text: 发送到 RAG 系统的查询文本（默认值：“你现在是一名专业的心理咨询师，如何处理来访者对自己的移情，具体的步骤是什么，请给出你回答的依据（书本等）”）
---enable_rag: 启用或禁用 RAG 功能。如果禁用，将直接查询 LLM。（默认值：True）
---default_api: 指定要使用的默认 API（例如，siliconflow 或 qwen）。这将覆盖 config.json 中的设置。
自定义参数示例：
bashscript/run.sh\
--config_path "./my_custom_config.json" \
--data_path"./data/my_documents"\
--query_text "什么是认知行为疗法？" \
--enable_ragfalse\
--default_api "qwen"
这将使用指定的参数执行 main.py 脚本，演示完整的 RAG 管道。输出将包括有关文档加载、索引创建和示例查询响应的日志。