基于 LangChain 与 HuggingFace Embeddings 的检索增强生成（RAG）系统，用于快速查询 Jimmer 框架文档。

• Python 3.13
• 安装依赖：uv pip install -r pyproject.toml 或使用 pip install -r requirements.txt（可自行生成）
• HuggingFace 模型会自动下载；首次运行可能需要较长时间。
• 需要 OpenAI 兼容接口，设置 OPENAI_API_KEY（如使用官方 OpenAI，需 pip install openai 已在依赖内）。
• 如使用阿里灵积 DashScope 等 OpenAI 兼容服务，可设置 OPENAI_API_KEY 或 DASHSCOPE_API_KEY，并指定 OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1（或 DASHSCOPE_BASE_URL），模型名称通过 CHAT_MODEL/DASHSCOPE_MODEL 环境变量配置（例如 qwen-plus）。
• 如需重新解析 MDX，可运行 npm install 于 src/node 目录（可选）。

python -m src.main --skip-clone --rebuild-index
python -m src.main --skip-clone --question "Jimmer 是什么？"

常用参数：

• --question：执行问答；若省略则只构建/加载向量库。
• --rebuild-index：强制重新生成向量索引。
• --skip-clone：跳过文档仓库克隆（本地已有数据时使用）。
• --top-k：自定义检索文档数量。

代码中提供了 RAGService 类，可通过以下方式集成：

from src.rag import RAGService

service = RAGService()
result = service.ask("Jimmer 是什么？")
print(result.answer)
print(result.sources)

• python -m src.main --help 查看所有 CLI 选项。
• python src/call.py "你的问题" 运行示例脚本。