---
title: 銀髮餐桌助手
emoji: 🥄
colorFrom: blue
colorTo: green
sdk: docker
app_port: 7860
---

# 銀髮餐桌助手 - RAG 系統

本文件描述銀髮餐桌助手的 RAG（Retrieval-Augmented Generation）系統架構與實作細節。

## RAG 系統概述

銀髮餐桌助手採用 RAG 技術為台灣銀髮族（65歲以上）提供智能營養飲食諮詢服務。RAG 系統透過檢索相關知識庫文檔，增強 AI 回應的準確性和可靠性，確保所有營養建議基於權威來源。

### 核心功能

- **知識檢索**：基於用戶問題從知識庫中檢索相關文檔
- **相似性搜索**：使用向量嵌入實現語義級相似性匹配
- **文檔增強生成**：將檢索到的文檔作為上下文，提升 AI 回應品質
- **個人化回應**：結合用戶健康檔案提供客製化建議

## 知識庫來源

知識庫內容托管在 **Hugging Face Dataset**：
- **Dataset**: [pcreem/dietinstruction](https://huggingface.co/datasets/pcreem/dietinstruction)
- 本地資料夾 `backend/data/` 用於存放下載的檔案
- 系統啟動時會自動從 Hugging Face 下載知識庫檔案

### 主要文檔

| 文件 | 內容 |
|------|------|
| `每日飲食指南手冊.pdf` | 衛福部每日飲食指南 |
| `高齡營養飲食質地衛教手冊.pdf` | 高齡者飲食質地指導 |
| `慢性病飲食原則.md` | 糖尿病、高血壓、高脂血症等慢性病飲食指南 |

### 文檔格式支援

- **Markdown (.md)**：主要知識庫格式
- **PDF (.pdf)**：支援 PDF 文件載入

### 自動下載機制

RAG 服務啟動時會檢查本地 `backend/data/` 資料夾：
- 若資料夾不存在或為空，自動從 Hugging Face Dataset 下載知識庫
- 若已有檔案，則使用本地版本

所有文檔經過處理後存入向量資料庫，供相似性搜索使用。

## 系統架構流程圖

```
┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│   User Query    │────►│   Chat Service  │────►│   RAG Service   │
│   (問題輸入)    │     │   (聊天服務)    │     │   (RAG服務)     │
└─────────────────┘     └────────┬────────┘     └────────┬────────┘
                                 │                      │
                                 │                      ▼
                                 │            ┌─────────────────┐
                                 │            │   Embeddings    │
                                 │            │   (向量化)      │
                                 │            └────────┬────────┘
                                 │                      │
                                 │                      ▼
                                 │            ┌─────────────────┐
                                 │            │  Supabase       │
                                 │            │  pgvector       │
                                 │            │  (向量資料庫)   │
                                 │            └────────┬────────┘
                                 │                      │
                                 │                      ▼
                                 │            ┌─────────────────┐
                                 │            │   Similarity    │
                                 │            │   Search        │
                                 │            │   (相似性搜索)  │
                                 │            └────────┬────────┘
                                 │                      │
                                 │                      ▼
                                 │            ┌─────────────────┐
                                 │            │ Relevant Docs   │
                                 │            │ (相關文檔)      │
                                 │            └────────┬────────┘
                                 │                      │
                                 ▼                      ▼
                        ┌─────────────────┐     ┌─────────────────┐
                        │   LLM Response  │◄────│   Context       │
                        │   (AI回應)      │     │   Integration   │
                        └─────────────────┘     └─────────────────┘
```

## 核心組件說明

### RAG 服務 ([`rag.py`](backend/rag.py))

RAG 服務是系統的核心模組，負責文檔處理和向量搜索。

```python
class RAGService:
    """RAG service for document management and similarity search."""
    
    def __init__(self):
        # 初始化 OpenAI 向量化模型
        self.embeddings = OpenAIEmbeddings(...)
        # 初始化 Supabase 向量存儲
        self.vector_store = SupabaseVectorStore(...)
        # 初始化文檔分塊器
        self.text_splitter = RecursiveCharacterTextSplitter(
            chunk_size=1000,
            chunk_overlap=200
        )
```

### 聊天服務 ([`chat_service.py`](backend/chat_service.py))

聊天服務整合 RAG 能力，提供 AI 對話功能。

```python
class ChatService:
    """Chat service for AI-powered conversations with RAG integration."""
    
    def __init__(self):
        # 初始化 LLM 模型
        self.llm = ChatOpenAI(...)
        # 整合 RAG 服務
        self.rag_service = get_rag_service()
```

### 資料庫設置 ([`setup_rag_db.py`](backend/setup_rag_db.py))

設置 pgvector 擴展和文檔表結構。

## 文檔處理流程

### 流程步驟

```
┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│   載入文檔   │───►│   文檔分塊   │───►│   向量化     │───►│   存入資料庫 │
│   Loader    │    │   Chunker   │    │ Embedding   │    │   Storage   │
└─────────────┘    └─────────────┘    └─────────────┘    └─────────────┘
```

### 1. 文檔載入

支援多種文檔載入器：

```python
# PDF 載入
loader = PyPDFLoader(str(file_path))
documents = loader.load()

# Markdown 載入
loader = UnstructuredMarkdownLoader(str(file_path))
documents = loader.load()
```

### 2. 文檔分塊

使用 [`RecursiveCharacterTextSplitter`](backend/rag.py:66) 進行智慧分塊：

- **chunk_size**：1000 字元
- **chunk_overlap**：200 字元重疊
- **is_separator_regex**：false（使用純文字分隔）

每個區塊包含以下元數據：

```python
chunk.metadata = {
    "source": "文件路徑",
    "file_name": "檔案名稱",
    "chunk_id": "唯一識別碼"
}
```

### 3. 向量化

使用 OpenAI Embeddings 模型將文本轉換為向量：

```python
embeddings = OpenAIEmbeddings(
    model="azure-text-embedding-3-large",
    openai_api_key=api_key
)
# 支援 LiteLLM 相容端點
```

向量維度：**3072**

### 4. 向量存儲

存入 Supabase pgvector 向量資料庫：

```python
vector_store = SupabaseVectorStore(
    client=supabase_client,
    embedding=embeddings,
    table_name="documents",
    query_name="match_documents"
)
```

## 相似性搜索

### 基本搜索

```python
async def get_relevant_documents(self, query: str, k: int = 8) -> List[Document]:
    """執行相似性搜索檢索相關文檔"""
    results = await self.vector_store.asimilarity_search(query, k=k)
    return results
```

### 帶分數的搜索

```python
async def get_relevant_documents_with_scores(
    self, 
    query: str, 
    k: int = 8, 
    score_threshold: float = 0.7
) -> List[Document]:
    """執行帶分數閾值的相似性搜索"""
```

### 分頁搜索

```python
async def get_relevant_documents_paginated(
    self, 
    query: str,
    page: int = 1,
    page_size: int = 10,
    score_threshold: Optional[float] = None
) -> Dict[str, Any]:
    """執行分頁相似性搜索"""
```

### 搜索結果快取

系統使用文檔快取機制（TTL: 30 分鐘）優化效能：

```python
@cache_result(document_cache, "rag_documents", ttl=1800)
async def get_relevant_documents(self, query: str, k: int = 8):
    ...
```

## AI 對話整合

### 對話流程

1. 接收用戶問題
2. 檢索相關文檔（k=6）
3. 獲取用戶健康檔案
4. 格式化上下文資訊
5. 組合系統提示詞
6. 串流回應生成

### 系統提示詞

```python
system_prompt = """你是「銀髮餐桌助手」，專為台灣銀髮族設計的AI營養飲食顧問助手。

角色定位：
- 溫暖、耐心、專業的營養飲食顧問
- 專門為台灣銀髮族（65歲以上）提供飲食建議
- 熟悉台灣在地食材、飲食文化和生活習慣

核心原則：
1. 嚴格遵循台灣衛福部(MOHW)的營養指導原則
2. 僅提供營養建議，絕不進行醫療診斷
3. 針對銀髮族的特殊營養需求
4. 考慮台灣在地飲食文化"""
```

### 上下文整合

```python
def format_context_information(self, user_context, relevant_docs) -> str:
    """格式化用戶上下文和相關文檔"""
    # 組合用戶背景資訊
    # 組合相關營養指南文檔
    return formatted_context
```

## API 端點

### RAG 相關端點

| 端點 | 方法 | 說明 |
|------|------|------|
| `/api/chat` | POST | AI 聊天諮詢（含 RAG） |
| `/rag/load` | POST | 載入知識庫 |
| `/rag/search` | GET | 相似性搜索 |
| `/rag/count` | GET | 獲取文檔數量 |
| `/rag/clear` | DELETE | 清除知識庫 |
| `/` | GET | Gradio 聊天界面 |

### 聊天請求範例

```bash
curl -X POST "http://localhost:8000/api/chat" \
  -H "Authorization: Bearer <token>" \
  -H "Content-Type: application/json" \
  -d '{
    "message": "請問銀髮族應該如何補充蛋白質？",
    "profile_id": "uuid-string"
  }'
```

### 知識庫載入請求

```bash
curl -X POST "http://localhost:8000/rag/load" \
  -H "Authorization: Bearer <token>"
```

## 快速開始

### 前置要求

- Python 3.8+
- PostgreSQL 13+（通過 Supabase，啟用 pgvector）
- Supabase 專案
- OpenAI API Key 或 LiteLLM API Key

### 環境變數配置

複製 `.env.example` 到 `.env` 並填入以下配置：

```bash
# Supabase Configuration
SUPABASE_URL=your_supabase_project_url
SUPABASE_SERVICE_ROLE_KEY=your_supabase_service_role_key

# Database URL for pgvector (Supabase PostgreSQL)
DATABASE_URL=postgresql+asyncpg://postgres:[YOUR_PASSWORD]@db.[YOUR_PROJECT_ID].supabase.co:5432/postgres

# OpenAI Configuration (or LiteLLM)
OPENAI_API_KEY=your_openai_api_key
OPENAI_BASE_URL=your_openai_base_url  # Optional, for LiteLLM/Azure

# Or use LiteLLM directly
LITELLM_API_KEY=your_litellm_api_key
LITELLM_BASE_URL=https://your-litellm-endpoint/

# Server Configuration
HOST=0.0.0.0
PORT=8000
```

### 安裝依賴

```bash
# 創建虛擬環境
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或 venv\Scripts\activate  # Windows

# 安裝依賴
pip install -r requirements.txt
```

### 資料庫設置

```bash
# 設置 pgvector 和文檔表
python setup_rag_db.py
```

### 啟動服務

```bash
# 啟動 FastAPI 服務
python app.py

# 或使用 uvicorn
uvicorn app:app --reload --host 0.0.0.0 --port 8000
```

### 載入知識庫

知識庫會在服務啟動時自動載入，或可手動觸發：

```bash
# 通過 API
curl -X POST "http://localhost:8000/rag/load"

# 或直接運行
python -m rag
```

### 測試 RAG 系統

```bash
python -m rag
python -m chat_service
```

### 訪問應用

- **API 文檔**: http://localhost:8000/api/docs
- **Gradio 聊天界面**: http://localhost:8000/
- **健康檢查**: http://localhost:8000/health

## 故障排除

### 常見問題

1. **pgvector 擴展未啟用**
   ```sql
   CREATE EXTENSION IF NOT EXISTS vector;
   ```

2. **向量維度不匹配**
   - 確保 embedding 向量維度為 3072
   - 檢查資料庫表結構：`embedding vector(3072)`

3. **SupabaseVectorStore 兼容性問題**
   - 系統已內建手動 RPC 回退機制
   - 使用 `match_documents` 函數直接執行相似性搜索

4. **知識庫載入失敗**
   - 檢查 Hugging Face Dataset 網路連接
   - 確認 Dataset `pcreem/dietinstruction` 存在且有檔案
   - 檢查 `backend/data/` 目錄存在且包含文件
   - 確認文件格式為支援的類型（.md, .pdf, .txt）

### 調試模式

```bash
# 啟用詳細日誌
export LOG_LEVEL=DEBUG
python app.py

# 或使用 uvicorn
uvicorn app:app --reload --log-level debug
```

## 監控與日誌

### 日誌配置

系統使用 Python 標準日誌庫：

```bash
LOG_LEVEL=INFO  # DEBUG, INFO, WARNING, ERROR
```

### 健康檢查

- `GET /health` - 服務健康狀態檢查
- 返回服務狀態、版本信息和資料庫連接狀態

## 安全考量

- 知識庫搜索無需認證（匿名用戶也可使用）
- 用戶健康檔案相關操作需要 JWT 認證
- 向量資料庫連接使用服務層級密鑰

---

**重要提醒**：本系統僅提供營養建議，無法替代專業醫療諮詢。如有健康問題，請諮詢專業醫師。