时间段

任务

具体步骤

交付物

技术提示

9:00-10:30

环境检查与依赖安装

1. 确认DeepSeek模型可正常加载（python -c "import transformers; print('OK')）
2. 安装必要库：
pip install faiss-cpu sentence-transformers fastapi gradio PyPDF2
3. 创建项目目录结构：
mkdir -p data/{raw,processed} models

环境检查清单
依赖列表

使用virtualenv创建独立环境，避免包冲突

10:30-12:30

样例数据准备与清洗

1. 准备3-5个测试文档（PDF+Markdown）存放到data/raw
2. 编写通用解析脚本：
python
# file_parser.py
def parse_file(path):
if path.endswith('.pdf'):
return extract_text_from_pdf(path) # 复用昨日代码
elif path.endswith('.md'):
return open(path).read()

测试数据集
解析脚本

使用chardet检测文件编码，避免乱码

14:00-16:00

文本分块与向量化

1. 实现动态分块逻辑：
python
from langchain.text_splitter import
RecursiveCharacterTextSplitter
splitter =
RecursiveCharacterTextSplitter(
chunk_size=500,
chunk_overlap=50
)
chunks = splitter.split_text(text)

2. 生成向量并保存：
python
import numpy as np
vectors = model.encode(chunks)
np.save('
data/processed/vectors.npy', vectors)

分块后的文本文件
向量文件

对中文长句优先按标点分块（句号、问号）

16:00-17:30

FAISS索引构建

1. 创建带ID映射的索引：
python
index = faiss.IndexIDMap(faiss.IndexFlatIP(384))
index.add_with_ids(vectors, np.arange(len(vectors)))

2. 实现增量添加接口：
python
def add_to_index(new_vecs):
start_id = index.ntotal
index.add_with_ids(new_vecs, np.arange(start_id, start_id+len(new_vecs)))

FAISS索引文件

使用IndexIDMap为后续增量更新留出扩展空间

时间段

任务

具体步骤

交付物

技术难点预警

9:00-11:00

DeepSeek问答接口开发

1. 封装RAG核心逻辑：
python
def generate_answer(question):
# 检索逻辑...
# 构造prompt模板
prompt = f"已知：{context}\n问题：{question}\n答案："
# 模型生成
return model.generate(prompt, max_length=1024)

2. 添加流式输出支持：
python
for token in model.stream_generate(prompt):
print(token, end='', flush=True)

RAG核心模块

注意控制max_length防止内存溢出

11:00-12:30

FastAPI服务封装

1. 创建基础API端点：
python
# main.py
from fastapi import FastAPI
app = FastAPI()
@app.post("/ask")
def ask_endpoint(question: str):
return {"answer": generate_answer(question)}

2. 添加跨域支持：
pip install fastapi.middleware.cors

可运行的API服务

使用uvicorn部署：
uvicorn main:app --reload --port 8000

14:00-15:30

Gradio交互界面开发

1. 实现基础UI：
python
# ui.py
import gradio as gr
with gr.Blocks() as demo:
question = gr.Textbox(label="请输入问题")
answer = gr.Textbox(label="系统回答")
btn = gr.Button("提交")
btn.click(fn=generate_answer, inputs=question, outputs=answer)
demo.launch()

可交互的Web界面

设置queue()处理并发请求

15:30-17:00

端到端测试与优化

1. 验证完整流程：
- 上传新文档 → 解析 → 索引更新 → 问答测试
2. 性能压测：
ab -n 100 -c 10 http://localhost:8000/ask?question=test
3. 内存优化：
- 添加del vectors及时释放内存

测试报告
优化方案

使用memory_profiler监控内存使用

17:00-17:30

文档整理与下周计划

1. 编写操作手册（README.md）
2. 记录未解决问题清单
3. 制定迭代计划

项目文档

使用typora编写Markdown文档

模块

检查项

验证方法

数据预处理

能正确解析PDF/Markdown并输出干净文本

执行python test_parser.py查看日志

向量检索

输入相似问题能返回相关度TOP3的文档块

人工验证检索结果相关性

问答接口

API响应时间<5秒（无缓存情况下）

使用curl测试并记录响应时间

用户界面

可输入问题并显示带格式的回答

屏幕录制操作过程