项目介绍本项目设计并实现了一个面向中文医疗健康场景的智能问答系统。系统以华佗医疗健康问答数据集为知识来源先将原始问答数据转换为统一的 JSON 格式再使用中文向量模型生成语义向量索引。当用户在网页端输入医疗健康问题后系统会对问题进行向量化处理并在本地知识库中检索出最相关的若干条问答资料。随后系统将用户问题和检索结果共同传入 DeepSeek 大语言模型由模型结合上下文生成较为自然、清晰的中文回答。选题背景与意义随着人工智能和大语言模型的发展智能问答系统在教育、政务、医疗健康等领域得到了广泛关注。医疗健康问题与公众生活密切相关用户常常希望通过自然语言快速了解疾病常识、用药注意事项、饮食护理和康复建议。然而通用大模型直接回答医疗问题时可能存在知识来源不明确、内容不可追溯、回答不稳定等问题。基于 RAG 的问答方式能够在生成回答前先检索本地知识库将相关资料作为上下文提供给大模型从而在一定程度上降低模型编造内容的风险。关键技术栈RAGRAG 即检索增强生成是当前大语言模型应用中常用的一种技术架构。它的核心思想是在模型生成回答之前先从外部知识库中检索与用户问题相关的资料再将这些资料作为上下文输入给大模型使模型基于检索内容进行回答。在本系统中RAG 主要包括数据准备、向量化、相似度检索、上下文构造和答案生成五个环节。系统首先把医疗问答数据整理为标准问答记录然后使用中文向量模型将每条资料转换为固定维度的向量并保存为本地向量索引。用户提问时系统同样将问题转换为向量通过 NumPy 点积相似度计算召回 Top-K 相关资料。最后DeepSeek 根据用户问题和检索结果生成回答。相比单纯依赖大模型内部知识RAG 能够提升回答的知识约束能力和来源可解释性是本项目实现智能医疗问答的关键技术。技术架构图系统功能模块图演示视频 and 完整代码 and 安装地址https://xm.ziwuit.com/articles/4wrkfw
与plt.show()的正确使用场景)
