# CodeRAG Lab
**Repository Path**: leke_code/code-rag-lab
## Basic Information
- **Project Name**: CodeRAG Lab
- **Description**: 基于 RAG 技术的专业级代码库问答系统，支持精准检索、可验证引用、系统化评测和企业级部署。
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 2
- **Created**: 2026-03-18
- **Last Updated**: 2026-03-18
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
# CodeRAG Lab 🚀
可溯源代码库智能助手 — 基于 RAG 技术的专业级代码库问答系统，通过自然语言了解代码库
📑 目录 •
📖 概述 •
⭐ 亮点 •
🏗️ 架构 •
🚀 开始 •
💬 API •
📊 性能 •
📅 计划
---
## 设计要点与摘要
- 可溯源：回答附带文件路径 + 行号引用，拒绝幻觉
- 高精度：混合检索 + LLM Rerank，召回率提升 40%+
- 易部署：Docker Compose 一键启动，开箱即用
- 安全合规：输入验证、输出清理、XSS 防护
- 演示友好：支持现场演示的端到端工作流与引用来源展示
## 快速导航
- 📑 目录
- 📖 概述
- ⭐ 亮点
- 🏗️ 架构
- 🚀 开始
- 💬 API
- 📊 性能
- 📅 计划
## 使用教程
使用教程已整合到此 README，以下为快速使用要点与入口：
- 快速开始：确保 Docker 已安装并启动，执行 docker-compose up -d
- 访问前端：http://localhost:5173
- 健康检查：/health，问答接口：/chat 等 API 演示参考此 README 的 API 示例部分
## 📑 目录
- [项目概述](#-项目概述)
- [核心亮点](#-核心亮点)
- [技术架构](#-技术架构)
- [快速开始](#-快速开始)
- [Docker 部署](#一键-docker-部署推荐)
- [手动启动](#手动启动)
- [API 示例](#-api-示例)
- [功能清单](#-功能清单)
- [项目结构](#-项目结构)
- [配置说明](#-配置说明)
- [性能指标](#-性能指标)
- [12 周开发计划](#-12-周开发计划)
- [面试问题](#-常见面试问题)
- [文档链接](#-文档)
---
## 📖 项目概述
**CodeRAG Lab** 是一个基于 RAG（检索增强生成）技术的专业级代码库问答系统，旨在帮助开发者通过自然语言快速检索和理解代码库。
### 核心价值
- 🔍 **可溯源**：回答附带文件路径 + 行号引用，拒绝幻觉
- 🎯 **高精度**：混合检索 + LLM Rerank，召回率提升 40%+
- 📊 **可评测**：完整评测体系，数据驱动优化
- 🚀 **易部署**：Docker Compose 一键启动，开箱即用
- 🔒 **企业级**：输入验证、输出清理、XSS 防护
### 适用场景
- 💻 代码库导航与理解
- 📚 技术文档问答
- 🗂️ 知识库检索
- 🤖 智能客服系统
### 📸 界面预览
> **Chat 界面** - 展示带引用来源的问答
>
>  > _从提问到返回带引用回答的完整流程_
> **数据集管理** - 支持多格式文档上传与解析
>
>  > _PDF、Word、Markdown 等格式统一处理_
> **性能监控** - 实时查看系统状态
>
>  > _RPS、延迟、资源使用率一目了然_
---
## ⭐ 核心亮点（面试必读）
| 亮点 | 说明 | 面试价值 |
| ---------------- | ---------------------------------------------- | ---------- |
| **混合检索** | 向量检索 + BM25 全文检索融合，显著提升召回率 | ⭐⭐⭐⭐⭐ |
| **LLM Rerank** | Cross-Encoder 重排序，精准提升检索质量 | ⭐⭐⭐⭐⭐ |
| **完整评测体系** | 内置基准评测、回归测试、性能压测，数据驱动优化 | ⭐⭐⭐⭐⭐ |
| **LoRA 微调** | PEFT/LoRA 微调支持，基础模型与微调模型对比评测 | ⭐⭐⭐⭐ |
| **多格式解析** | PDF、Word、Markdown、Text 等格式统一处理 | ⭐⭐⭐⭐ |
| **双向量存储** | Qdrant / FAISS / PostgreSQL+pgvector 灵活选择 | ⭐⭐⭐⭐ |
| **企业级安全** | 输入验证、输出清理、XSS 防护 | ⭐⭐⭐⭐ |
| **一键部署** | Docker Compose 全链路启动，开箱即用 | ⭐⭐⭐⭐⭐ |
---
## 🏗️ 技术架构
```mermaid
graph TB
subgraph Frontend["前端层"]
A1[Vue3 + Element Plus]
end
subgraph API["API 服务层（FastAPI）"]
B1[/chat
问答接口/]
B2[/datasets
数据集接口/]
B3[/eval
评测接口/]
end
subgraph RAG["RAG 核心层"]
C1[检索 Retrieval]
C2[重排序 Rerank]
C3[Prompt Builder]
提示词构建
end
subgraph Store["存储层"]
D1[(Qdrant)]
D2[(FAISS)]
D3[(PostgreSQL+pgvector)]
end
subgraph LLM["模型层"]
E1[llama.cpp]
E2[MiniMax API]
E3[Ollama]
end
Frontend -->|HTTP/REST| API
API --> RAG
RAG --> Store
RAG --> LLM
style Frontend fill:#e1f5ff
style API fill:#fff3e0
style RAG fill:#f3e5f5
style Store fill:#e8f5e9
style LLM fill:#ffebee
```
---
## 🚀 快速开始
### 一键 Docker 部署（推荐）
```bash
# 1. 克隆项目
git clone https://gitee.com/zwz050418/code-rag-lab.git
cd code-rag-lab
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，配置 LLM API Key 或模型路径
# 3. 启动所有服务
docker-compose up -d
# 4. 查看日志
docker-compose logs -f
# 5. 访问服务
# 前端：http://localhost:5173
# API: http://localhost:8000/health
# Qdrant: http://localhost:6333
```
> ⚠️ **重要提示**：
>
> - 使用 **MiniMax API**：在 `.env` 中配置 `MINIMAX_API_KEY`
> - 使用 **本地模型**：下载模型权重到 `/models` 目录，并配置 `LLM_PROVIDER=llamacpp`
> - 默认配置使用 **MiniMax API**，需先获取 API Key
### 手动启动
```bash
# 1. 启动 Qdrant
docker run -d --name qdrant \
-p 6333:6333 -p 6334:6334 \
-v qdrant_storage:/qdrant/storage \
qdrant/qdrant:v1.7.0
# 2. 安装依赖
pip install -e .
# 3. 配置环境变量
cp .env.example .env
# 编辑 .env 配置 LLM 和向量库
# 4. 启动 API 服务
uvicorn coderag.api.main:app \
--host 0.0.0.0 --port 8000 \
--reload
# 5. 启动前端（可选）
cd web
npm install
npm run dev
```
---
### 现场演示脚本
以下是一套可直接用于自我介绍和面试演示的现场演示脚本，用于向雇主展示 CodeRAG Lab 的端到端能力。
- 目标：演示系统从提问到带引用回答的完整流程；演示跨数据集的检索与引用来源。
- 环境准备：确保 Docker Desktop 已运行，执行 docker-compose up -d；前端可在浏览器访问 http://localhost:5173。
- 演示步骤：
- Step 1: 打开前端，点击 Chat，输入示例问题，例如："如何初始化一个 FastAPI 应用？"，提交。
- Step 2: 系统返回带引用的答案，关注引用的文件路径和行号。
- Step 3: 为展示跨数据集检索能力，上传一个演示数据集（若已存在演示数据集，直接查询）并提问，如："数据集中包含哪些模块？"。
- Step 4: 选用/演示不同数据源（向量存储、BM25 混合检索等）与提示词拼接的效果。
- Step 5: 简要说明系统设计要点（RAG、重排序、提示词构建、可溯源性）以及安全措施。
- 备注：演示过程中的回答应能附带来源引用，尽量展示系统在真实代码库中的可查证能力。
你也可以将此现场演示脚本整理成一个简短的视频或 GIF，用于求职时的现场演示。
## 一键启动脚本
将后端、前端、Qdrant 一键启动，方便你在本地快速演示工作流。
如何使用：
- 给脚本执行权限：
```
chmod +x docker/start_all.sh
```
- 运行脚本：
```
./docker/start_all.sh
```
说明：脚本会在 docker 目录下执行 `docker-compose up -d`，实例包括 Qdrant、后端 API、前端 UI。
## 💬 API 示例
### 1. 健康检查
```bash
curl http://localhost:8000/health
```
**响应：**
```json
{
"status": "ok",
"version": "0.1.0"
}
```
### 2. RAG 问答
```bash
curl -X POST http://localhost:8000/chat \
-H "Content-Type: application/json" \
-d '{
"messages": [
{
"role": "user",
"content": "如何初始化一个 FastAPI 应用？"
}
],
"top_k": 5,
"stream": false
}'
```
**响应：**
```json
{
"id": "chat_abc123",
"message": "FastAPI 应用通过 FastAPI() 类初始化...",
"references": [
{
"file_path": "server/src/coderag/api/main.py",
"start_line": 15,
"end_line": 20,
"content": "app = FastAPI(title=\"CodeRAG\")",
"similarity": 0.89
}
],
"retrieval_results": [
{
"chunk_id": "chunk_001",
"score": 0.89,
"source": "vector"
}
]
}
```
### 3. 上传数据集
```bash
curl -X POST http://localhost:8000/datasets \
-F "file=@/path/to/codebase.pdf" \
-F "name=my-project"
```
### 4. 执行评测
```bash
curl -X POST http://localhost:8000/eval/run \
-H "Content-Type: application/json" \
-d '{
"dataset": "coderag_eval_v1",
"top_k": 5
}'
```
---
## 📋 功能清单
### ✅ 核心功能
| 功能 | 说明 | 状态 |
| ------------------- | ------------------------------------------------ | ---- |
| **可溯源 RAG 问答** | 回答附带文件路径 + 行号引用 | ✅ |
| **混合检索** | 向量 + BM25 加权融合 | ✅ |
| **LLM Rerank** | Cross-Encoder 重排序 | ✅ |
| **多格式文档解析** | PDF / Word / Markdown / Text / CSV / JSON / YAML | ✅ |
| **向量存储** | Qdrant / FAISS / pgvector | ✅ |
| **本地 LLM** | llama.cpp / Ollama / OpenAI / 智谱 AI | ✅ |
### ✅ 评测与优化
| 功能 | 说明 | 状态 |
| ------------- | ----------------------------------------- | ---- |
| **基准评测** | hit_rate@k / citation_rate / recall / MRR | ✅ |
| **回归测试** | 对比历史结果，检测性能回退 | ✅ |
| **性能压测** | RPS / 延迟统计 (P50/P95/P99) / 资源监控 | ✅ |
| **LoRA 微调** | PEFT 微调 + 对比评测 | ✅ |
### ✅ 工程化
| 功能 | 说明 | 状态 |
| ------------------- | --------------------------------- | ---- |
| **Docker 一键部署** | docker-compose 全链路启动 | ✅ |
| **RESTful API** | FastAPI + Pydantic | ✅ |
| **前端** | Vue3 + Element Plus | ✅ |
| **安全防护** | 输入验证 / 输出清理 / XSS 防护 | ✅ |
| **CI/CD** | GitHub Actions | ✅ |
---
## 📁 项目结构
```
code-rag-lab/
├── server/ # 后端代码
│ ├── app/ # API 层
│ │ ├── api/ # API 路由和模型
│ │ ├── services/ # 业务逻辑包装
│ │ ├── utils/ # 工具函数
│ │ ├── config.py # 配置管理
│ │ └── main.py # FastAPI 入口
│ ├── src/ # 核心业务逻辑
│ │ ├── coderag/ # 原有核心实现
│ │ ├── rag/ # 检索增强生成
│ │ ├── llm/ # 大语言模型
│ │ ├── eval/ # 评测系统
│ │ └── ingest/ # 数据 ingestion
│ ├── requirements.txt # 依赖管理
│ └── .env.example # 环境变量示例
├── web/ # Vue3 前端
├── data/ # 数据目录
│ └── eval/ # 评测数据集
├── docker/ # Docker 配置
│ ├── backend/ # 后端 Dockerfile
│ ├── frontend/ # 前端 Dockerfile
│ └── sql/ # 数据库初始化脚本
├── screenshot/ # 界面截图
├── docker-compose.yml # Docker 部署
├── pyproject.toml # Python 依赖
└── README.md
```
---
## ⚙️ 配置说明
### 环境变量配置
```env
# ===========================================
# CodeRAG Lab 环境变量配置
# ===========================================
# 使用说明:
# 1. 复制此文件为 .env.local (本地开发) 或 .env (生产环境)
# 2. 修改配置值
# 3. 重启服务生效
#
# 配置文件优先级：.env.local > .env > .env.example
# ===========================================
# ===========================================
# 基础服务配置
# ===========================================
PROJECT_NAME=CodeRAG Lab
ENVIRONMENT=development
DEBUG=True
API_HOST=0.0.0.0
API_PORT=8000
# ===========================================
# 向量存储配置 (二选一)
# ===========================================
# 选项 1: Qdrant (推荐)
VECTOR_STORE=qdrant
QDRANT_HOST=localhost
QDRANT_PORT=6333
QDRANT_COLLECTION=coderag
# 选项 2: PostgreSQL + pgvector
# VECTOR_STORE=pgvector
# PGVECTOR_ENABLED=true
# PGVECTOR_CONNECTION_STRING=postgresql://user:password@localhost:5432/dbname
# ===========================================
# Embedding 模型配置
# ===========================================
# 本地模型 (推荐用于开发)
EMBEDDING_MODEL=BAAI/bge-small-en-v1.5
EMBEDDING_DIM=384
EMBEDDING_DEVICE=cpu
# API 模型 (可选)
# EMBEDDING_MODEL=zhipu
# EMBEDDING_MODEL=openai
# ZHIPUAI_API_KEY=your_api_key
# OPENAI_API_KEY=your_api_key
# ===========================================
# LLM 配置 (三选一)
# ===========================================
# 选项 1: MiniMax API (推荐)
LLM_PROVIDER=minimax
MINIMAX_API_KEY=your_minimax_api_key_here
MINIMAX_BASE_URL=https://api.minimax.chat/v1
MINIMAX_MODEL=MiniMax-M2.5
# 选项 2: llama.cpp 本地推理
# LLM_PROVIDER=llamacpp
# LLAMACPP_HOST=localhost
# LLAMACPP_PORT=8080
# LLAMACPP_MODEL_PATH=/path/to/model.gguf
# 选项 3: Ollama 本地推理
# LLM_PROVIDER=ollama
# OLLAMA_HOST=localhost
# OLLAMA_PORT=11434
# OLLAMA_MODEL=llama2
# ===========================================
# 检索增强配置
# ===========================================
ENABLE_FULLTEXT=false
ENABLE_LLM_RERANK=false
# 混合检索权重 (VECTOR + FULLTEXT = 1.0)
VECTOR_WEIGHT=0.7
FULLTEXT_WEIGHT=0.3
# 检索参数
TOP_K=5
MIN_SIMILARITY=0.5
# ===========================================
# 文档分块配置
# ===========================================
CHUNK_SIZE=2000
CHUNK_OVERLAP=200
# ===========================================
# 日志配置
# ===========================================
LOG_LEVEL=INFO
LOG_FILE=logs/coderag.log
# ===========================================
# 数据目录
# ===========================================
DATA_DIR=data
# ===========================================
# 前端配置 (Vue3)
# ===========================================
VITE_API_BASE=/api
VITE_PORT=5173
```
---
## 📊 性能指标
> **测试环境说明**
>
> - **硬件**: Apple M1 Pro (16GB RAM)
> - **向量库**: Qdrant v1.7.0 (本地部署)
> - **数据量**: 100,000 条向量数据
> - **Embedding**: BAAI/bge-small-en-v1.5 (384 维)
> - **LLM**: MiniMax-M2.5 (API)
| 指标 | 数值 | 说明 |
| ------------ | ---------------- | --------------------------- |
| **检索延迟** | < 100ms | P95 延迟，基于 10 万向量 |
| **吞吐量** | 50+ QPS | 并发查询每秒 |
| **评测指标** | hit_rate@5 = 78% | 基于 coderag_eval_v1 数据集 |
| **压测支持** | 1000+ 并发 | 压力测试最大并发请求 |
### 性能优化建议
1. **GPU 加速**: 使用 GPU 运行 Embedding 模型可提升 3-5 倍
2. **向量索引**: HNSW 索引比暴力搜索快 10 倍+
3. **缓存策略**: 对高频问题缓存结果
4. **批量处理**: 批量插入比单条插入快 50 倍
---
## 📅 12 周开发计划
### 总览
点击展开详细开发历程
| 周次 | 主题 | 核心任务 | 状态 |
| ----------- | ----------- | ------------------------------------ | ---- |
| **Week 1** | 工程底座 | FastAPI 骨架、Docker 配置、日志模块 | ✅ |
| **Week 2** | 检索索引 | RepoLoader、文档分块、Qdrant 索引 | ✅ |
| **Week 3** | RAG 问答 | 检索+Prompt 拼接、LLM 推理、引用返回 | ✅ |
| **Week 4** | 评测体系 | 评测数据集、hit_rate@k、回归测试 | ✅ |
| **Week 5** | 检索优化 | BM25 混合检索、HybridRetriever | ✅ |
| **Week 6** | LoRA 微调 | PEFT 微调、base vs fine-tuned 对比 | ✅ |
| **Week 7** | 前端开发 | Vue3+Element Plus、Chat/Dataset 页面 | ✅ |
| **Week 8** | Docker 部署 | docker-compose 一键启动 | ✅ |
| **Week 9** | 性能压测 | StressTestRunner、P50/P95/P99 | ✅ |
| **Week 10** | 安全防护 | 输入验证、输出清理、XSS 防护 | ✅ |
| **Week 11** | 简历开源 | 文档整合、README 优化、开源发布 | ✅ |
| **Week 12** | 面试准备 | 面试题库、模拟面试、简历投递 | 🔄 |
#### Week 1: 工程底座搭建
- ✅ 创建项目文件夹及 Git 仓库
- ✅ 配置 pyproject.toml 和 .env.example
- ✅ 搭建 FastAPI 服务骨架（/health, /chat）
- ✅ 配置 Docker Compose 启动 Qdrant
- ✅ 实现日志模块、错误处理
#### Week 2: 检索与索引功能
- ✅ 实现 RepoLoader 模块，加载本地文件
- ✅ 实现文档分块（chunking）
- ✅ 使用 sentence-transformers 生成向量嵌入
- ✅ 实现 Qdrant 索引与查询
#### Week 3: RAG 问答系统
- ✅ 实现检索 + Prompt 拼接
- ✅ 调用 llama.cpp / MiniMax API 进行推理
- ✅ 返回带引用的回答
#### Week 4: 评测功能
- ✅ 创建 coderag_eval_v1.json 评测数据集
- ✅ 实现 hit_rate@k、citation_rate、contains_rate 指标
- ✅ 实现回归测试框架
- ✅ 添加 /eval/run、/eval/results API
#### Week 5: 检索优化
- ✅ 优化 chunking 策略（按函数/类分块）
- ✅ 实现 BM25 检索重排
- ✅ 集成 HybridRetriever
#### Week 6: LoRA 微调
- ✅ 实现 LoRATrainer 类
- ✅ 支持 LoRA/QLoRA 微调
- ✅ 实现 base vs fine-tuned 对比评测
#### Week 7: 前端开发
- ✅ Vue3 + Vite 项目搭建
- ✅ 实现 Chat、Dataset、Dashboard 页面
- ✅ 集成 Element Plus UI
#### Week 8: Docker 部署
- ✅ 完善 docker-compose.yml
- ✅ 实现一键启动（API + Qdrant + Frontend）
#### Week 9: 性能压测
- ✅ 实现 StressTestRunner
- ✅ 支持并发压测
- ✅ 延迟统计 P50/P95/P99
#### Week 10: 安全防护
- ✅ 输入验证：长度限制、危险字符过滤
- ✅ 输出清理：HTML 转义、XSS 防护
> 📝 **详细开发日志**: 查看 [DEVELOPMENT_LOG.md](./DEVELOPMENT_LOG.md)
---
## 💬 常见面试问题
### Q1: RAG 的核心思想？
**RAG（检索增强生成）**通过从外部知识库检索相关文档，将检索结果作为上下文提供给 LLM，解决：
- ❌ LLM 知识过时
- ❌ 幻觉问题
- ❌ 无法引用来源
### Q2: 如何提升 RAG 检索效果？
1. **混合检索** — 向量 + 全文检索融合
2. **重排序** — Cross-Encoder 对初检结果重排
3. **智能分块** — 按语义单元（函数、类）分块
4. **评测驱动** — 通过指标量化优化效果
### Q3: LoRA 原理？
**LoRA（Low-Rank Adaptation）**在预训练模型旁添加低秩矩阵，冻结原参数，只训练少量新参数，大幅降低微调成本。
```python
lora_config = LoraConfig(
r=8, # rank
lora_alpha=16,
target_modules=["q_proj", "v_proj"],
lora_dropout=0.1,
task_type="CAUSAL_LM"
)
```
### Q4: 向量检索 vs 全文检索？
| 类型 | 优点 | 缺点 |
| ------------ | ---------------- | ------------ |
| **向量检索** | 语义理解、同义词 | 计算量大 |
| **全文检索** | 精确匹配速度快 | 无法理解语义 |
**混合检索**结合两者优势，取长补短。
---
（文档章节已移除，文档内容集中在 README.md 之内）
---
Made with ❤️ by CodeRAG Team