当前位置：首页 > article >正文

基于 BGE 模型与 Flask 的智能问答系统开发实践

article 2025/6/7 17:48:07

基于 BGE 模型与 Flask 的智能问答系统开发实践

一、前言

在人工智能快速发展的今天，智能问答系统成为了提升信息检索效率和用户体验的重要工具。本文将详细介绍如何利用 BGE（Base General Embedding）模型、Faiss 向量检索库以及 Flask 框架，搭建一个具备文本检索和问答功能的 Web 服务。通过分步解析代码实现与部署流程，帮助读者理解智能问答系统的核心技术逻辑。

二、技术栈选择

1. 核心模型：BGE

BGE-base-zh-v1.5：中文通用语义向量模型，支持文本语义编码，可将问题转换为高维向量，用于语义相似度计算。
BGE-reranker-base：重排模型，对粗排结果进行精细化排序，提升检索准确性。

2. 向量检索：Faiss

Facebook 开源的高效向量检索库，支持 L2 距离度量和快速近似最近邻搜索，适合大规模向量数据的实时检索。

3. 服务框架：Flask

轻量级 Python Web 框架，便于快速搭建 API 接口和前端页面，适合原型开发与小型服务部署。

三、系统开发步骤

1. 环境搭建与依赖安装

bash

# 安装依赖库
pip install pandas faiss-cpu flask FlagEmbedding

2. 数据准备与预处理

数据格式：创建qa.csv文件，包含question（问题）和answer（答案）两列，示例数据如下：

question answer
北京景点推荐故宫、颐和园、八达岭长城...
年轻人聚集的步行街三里屯、南锣鼓巷、王府井...
... ...

question	answer
北京景点推荐	故宫、颐和园、八达岭长城...
年轻人聚集的步行街	三里屯、南锣鼓巷、王府井...
...	...

数据加载：读取部分数据构建语料库和答案列表（示例取前 10 条）：

python

运行


import pandas as pd
df = pd.read_csv('data/qa.csv')
corpus = list(df['question'][:10])  # 问题语料库
answers = list(df['answer'][:10])    # 答案列表

3. 语义向量编码与索引构建

（1）加载 BGE 模型并编码语料库

python

运行


from FlagEmbedding import FlagModel
model = FlagModel('bge-base-zh-v1.5')  # 初始化基础模型
corpus_embeddings = model.encode_corpus(corpus)  # 编码问题向量（不添加查询指令）

（2）使用 Faiss 创建向量索引

python

运行

import faiss
dim = corpus_embeddings.shape[-1]  # 获取向量维度
index = faiss.IndexFlatL2(dim)     # 使用L2距离度量
index.add(corpus_embeddings)       # 将向量存入索引

4. 文本检索逻辑实现

（1）粗排：Faiss 快速检索相似问题

python

运行


def rerank_search(query, index, corpus, model):# 编码查询问题（添加查询指令优化向量表示）query_embeddings = model.encode_queries([query])# 粗排：检索前5个相似问题（scores为距离，indexes为索引）scores, indexes = index.search(query_embeddings, k=5)candidate_ids = indexes[0]  # 提取候选问题索引candidate_texts = [corpus[i] for i in candidate_ids]  # 获取候选问题文本

（2）精排：BGE-reranker 重排候选结果

python

运行


from FlagEmbedding import FlagReranker
reranker = FlagReranker('bge-reranker-base')  # 初始化重排模型
# 计算查询与候选问题的相关性分数
rerank_scores = reranker.compute_score([(query, text) for text in candidate_texts])
# 按分数降序排序，获取最优答案索引
best_id = candidate_ids[rerank_scores.argmax()]
return answers[best_id]

5. Flask 服务封装与接口开发

（1）初始化 Flask 应用并加载模型

python

运行


from flask import Flask, request, render_template
app = Flask(__name__)# 全局加载数据和模型（避免重复初始化）
corpus, answers, model, index = load_data_and_model()  # 自定义加载函数

（2）定义 API 接口与前端页面

POST 接口：处理查询请求并返回 JSON 结果

python

运行


@app.route('/api/search', methods=['POST'])
def api_search():query = request.form.get('query')if not query:return jsonify({"error": "查询内容为空"})answer = rerank_search(query, index, corpus, model)return jsonify({"query": query, "answer": answer})

前端页面：提供用户输入框和结果展示（templates/index.html）

html

预览


<!DOCTYPE html>
<html>
<head><title>智能问答系统</title>
</head>
<body><h1>智能问答系统</h1><form method="post" action="/search"><input type="text" name="query" placeholder="请输入问题..." required><button type="submit">搜索答案</button></form>{% if answer %}<h3>查询结果：</h3><p>{{ answer }}</p>{% endif %}
</body>
</html>

（3）路由绑定与服务启动

python

运行


@app.route('/search', methods=['GET', 'POST'])
def search():if request.method == 'POST':query = request.form['query']answer = rerank_search(query, index, corpus, model)return render_template('index.html', answer=answer)return render_template('index.html')if __name__ == '__main__':app.run(host='0.0.0.0', port=5000, debug=True)

四、系统部署与测试

1. 目录结构

plaintext

project-root/
├── data/
│   └── qa.csv          # 问答数据集
├── templates/
│   └── index.html      # 前端页面
├── qa.py               # 主程序文件
└── requirements.txt    # 依赖清单

2. 启动服务

bash

python qa.py
# 访问 http://localhost:5000 测试系统

3. 测试示例

输入查询：“北京适合年轻人的夜生活地点”
预期输出：“三里屯酒吧街、什刹海酒吧街、星吧路酒吧街...”

五、优化方向与扩展建议

数据规模扩展：增加语料库数据量，提升检索覆盖范围。
模型优化：尝试 BGE-large 版本或微调模型适应特定领域。
性能优化：
- 使用 Faiss 的 IVF 索引（如IndexIVFFlat）加速大规模数据检索；
- 部署模型到 GPU 环境，提升编码速度。
功能扩展：
- 添加多轮对话支持；
- 集成图片、文档等多模态输入；
- 开发管理后台用于数据维护。

六、总结

本文通过实战案例展示了从语义编码、向量检索到 Web 服务部署的完整流程。基于 BGE 和 Faiss 的问答系统能够有效处理中文语义检索任务，而 Flask 框架则提供了便捷的服务化能力。该方案可应用于企业客服、知识库检索、智能助手等场景，为实际业务提供智能化支持。未来可结合更多 NLP 技术（如文本生成、意图识别）进一步提升系统的交互能力和实用性。