Seeed Studio Wiki 智能问答系统

一个基于 Seeed Studio Wiki 的智能问答系统，使用 Ollama + FAISS 实现快速的知识检索和问答功能。

🚀 核心特性

• 预生成 Embedding: 爬取时直接生成向量，避免启动时等待
• FAISS 向量索引: 使用 FAISS 进行高效的相似度搜索
• Ollama 集成: 使用 nomic-embed-text 模型生成高质量向量
• 快速启动: 无需重新生成向量，直接加载预保存的索引
• 多语言支持: 支持中英文混合查询

📁 项目结构

chat/
├── scrape_with_embeddings.py    # 主要爬虫脚本
├── optimized_qa.py              # 优化问答系统
├── requirements.txt             # Python 依赖
├── faiss_index.bin             # FAISS 向量索引
├── faiss_metadata.pkl          # 向量元数据
├── seeed_wiki_embeddings_db.json # Wiki 页面数据
├── 优化系统使用说明.md          # 详细使用说明
└── README.md                   # 项目说明

🛠️ 安装依赖

pip install -r requirements.txt

🚀 使用方法

1. 爬取 Wiki 内容并生成向量

python scrape_with_embeddings.py

这将：

• 爬取 Seeed Studio Wiki 的英文页面
• 提取每个页面的介绍部分
• 使用 Ollama 生成 768 维向量
• 保存到 FAISS 索引和 JSON 文件

2. 启动问答系统

python optimized_qa.py

系统将：

• 加载预保存的 FAISS 索引
• 启动 Ollama 服务
• 提供交互式问答界面

💡 示例问题

• "介绍一下XIAO系列产品"
• "Grove传感器模块有什么特点？"
• "SenseCAP的功能是什么？"
• "Edge Computing是什么？"
• "reComputer有什么特色？"

🔧 系统要求

• Python 3.8+
• Ollama 服务运行中
• nomic-embed-text 模型已安装

📊 性能特点

• 启动时间: < 5 秒（相比传统方式快 10-20 倍）
• 搜索速度: < 1 秒（FAISS 索引）
• 向量维度: 768 维（nomic-embed-text）
• 支持页面: 英文 Wiki 页面介绍摘要

🎯 设计理念

• 爬取时向量化: 避免每次启动时重新生成向量
• 轻量级模型: 使用 nomic-embed-text 而非大型模型
• 本地存储: FAISS 索引 + JSON 数据，无需外部数据库
• 快速检索: 基于余弦相似度的向量搜索

📝 注意事项

• 确保 Ollama 服务正在运行
• 首次运行需要安装 nomic-embed-text 模型
• 爬虫支持中断恢复，按 Ctrl+C 可安全停止
• 系统会自动检测和安装必要的模型

🤝 贡献

欢迎提交 Issue 和 Pull Request 来改进这个项目！

Local_Chat_Bot