🚀 物流知识智能问答系统 - LogisticsQA

让物流信息查询像聊天一样简单！ 📦✨
基于大语言模型 + 向量检索的智能问答解决方案，快速定位物流信息中的关键内容 🔍

---

🎯 项目特色

• ⏱️ 极速响应：FAISS 向量库实现毫秒级信息检索
• 📚 语义理解：M3E 中文嵌入模型精准捕捉上下文
• 💬 智能对话：ChatGLM2-6B 大模型生成自然流畅回答
• 🛠️ 开箱即用：模块化设计，五分钟快速部署

---

🧩 功能演示

用户提问：
我买的商品来自于哪个仓库，从哪出发的，预计什么时候到达？

系统回答：
🎯 您的包裹正在飞奔而来！
🚚 出发地：广州仓库
📅 启程时间：2023年1月20日
⏰ 预计到达：1月23日（3天运输时长）
📍 目的地：重庆
📦 运输方式：陆运

---

📦 技术栈

- LangChain 🦜️🔗
- FAISS 🧠
- HuggingFace Transformers 🤗
- ChatGLM2-6B 🧠
- M3E 中文嵌入模型 🇨🇳

---

🛠️ 快速开始

1. 安装依赖

pip install -r requirements.txt
pip install langchain-community unstructured faiss-cpu
# 处理文档需要
pip install python-magic python-magic-bin

2. 运行准备

# 下载模型文件
git lfs install
git clone https://huggingface.co/THUDM/chatglm2-6b ./model_files/

# 准备物流文档
echo "广州仓库 发货时间 2023-01-20..." > 物流信息.txt

3. 启动系统

# 生成向量库
python get_vector.py

# 运行问答系统
python Knowledge_QA/main.py

---

🧠 核心逻辑

graph TD
    A[用户提问] --> B(语义向量编码)
    B --> C[FAISS 向量库检索]
    C --> D{Top1 匹配结果}
    D --> E[构建Prompt模板]
    E --> F[ChatGLM2生成回答]
    F --> G[返回结构化结果]

Loading

---

💡 使用示例

from Knowledge_QA.main import qa

# 像朋友一样提问！
response = qa("我的包裹现在到哪了？")
print(f"📦 物流小助手：{response}")

---

⚠️ 重要提示

1. 🗺️ 模型路径配置
   修改 ChatGLM2.load_model() 为本地模型路径：
   llm.load_model("/path/to/chatglm2-6b")

2. ✂️ 文本分割优化
   根据文档特性调整 chunk_size：

   # 推荐值：100-500字符
   TextSplitter(chunk_size=200)

3. ⚡ 性能优化建议

   # 在模型加载时添加参数
   llm.load_model(..., device_map="auto", torch_dtype=torch.float16)

---

📜 开源协议

本项目采用 MIT License，拥抱开源，共同进步！ 🤝

---

让物流信息流动起来 🌍✨
有任何建议欢迎提交 Issue 或 Star ⭐ 支持我们！