AI+合规智能中枢 - 法律法规文档解析入库
面向车企与工厂的合规智能平台，实现法规文档的解析、分块、嵌入和向量存储。
MVP功能
本次实现的核心功能（最小可用版本）：
- ✅ PDF/DOCX文档解析（MinerU + PyMuPDF）
- ✅ 智能分块（章节级+条款级双粒度切割）
- ✅ BGE-M3嵌入（Dense+Sparse双路向量）
- ✅ Milvus向量数据库存储与混合检索
- ✅ FastAPI接口封装
项目结构
Demo-glm/
├── src/
│ ├── api/ # FastAPI接口层
│ │ ├── main.py # API入口
│ │ ├── routes/
│ │ │ ├── documents.py # 文档上传接口
│ │ │ └── knowledge.py # 知识库检索接口
│ │ └── models/
│ │ └── document.py # Pydantic数据模型
│ ├── services/
│ │ ├── parser/ # 文档解析服务
│ │ │ ├── pdf_parser.py # PDF解析（PyMuPDF）
│ │ │ ├── docx_parser.py # Word解析
│ │ │ └── mineru_parser.py # MinerU多模态解析
│ │ ├── embedding/ # 嵌入服务
│ │ │ ├── text_chunker.py # 智能分块器
│ │ │ └── bge_m3_embedder.py # BGE-M3嵌入
│ │ ├── storage/
│ │ │ └── milvus_client.py # Milvus客户端
│ │ └── document_processor.py # 文档处理主流程
│ └── config/
│ │ ├── settings.py # 配置管理
│ │ └── logging.py # 日志配置
├── tests/
│ ├── test_parser.py # 解析测试
│ ├── test_embedding.py # 嵌入测试
│ ├── test_milvus.py # Milvus测试
│ └── verify_mvp.py # MVP验证脚本
├── docker/
│ └── docker-compose.yml # Milvus/MinIO部署
├── requirements.txt
├── pyproject.toml
└── .env.example
快速开始
1. 安装依赖
pip install -r requirements.txt
2. 启动Milvus向量数据库
cd docker
docker-compose up -d
等待Milvus启动完成（约30秒）：
docker-compose logs -f milvus
3. 运行验证脚本
python tests/verify_mvp.py
4. 启动API服务
uvicorn src.api.main:app --reload --port 8000
访问API文档：http://localhost:8000/docs
API接口
上传文档
curl -X POST http://localhost:8000/api/v1/documents/upload \
-F "file=@your_regulation.pdf" \
-F "doc_name=GB 7258-2017" \
-F "regulation_type=车辆安全"
检索法规
curl -X POST http://localhost:8000/api/v1/knowledge/search \
-H "Content-Type: application/json" \
-d '{"query": "机动车安全技术要求", "top_k": 10}'
技术栈
| 类别 | 技术 |
|---|---|
| 文档解析 | MinerU + PyMuPDF + python-docx |
| 分块策略 | 章节级+条款级双粒度切割 |
| 嵌入模型 | BGE-M3（1024维 Dense + Sparse） |
| 向量数据库 | Milvus 2.4（本地Docker部署） |
| 检索方式 | Dense+Sparse混合检索 + RRF融合 |
| API框架 | FastAPI |
配置
创建 .env 文件（参考 .env.example）：
# Milvus配置
MILVUS_HOST=localhost
MILVUS_PORT=19530
# 嵌入模型配置
EMBEDDING_MODEL=BAAI/bge-m3
EMBEDDING_DIM=1024
# 分块配置
CHUNK_SIZE=512
后续迭代（不在本次MVP范围）
- LLM摘要生成（DeepSeek/Qwen API）
- 文档上传UI界面
- 混合检索问答功能
- 法规变更监控与自动更新
许可证
MIT License