基于 DeepSeek + LangChain + OCR Markdown 的图文智能课程问答系统。 专为《通信原理》课程设计，不仅懂公式推导，更能直接展示课本原版插图。
- 🖼️ 图文并茂: 告别干巴巴的文字！在讲解 "2PSK波形" 或 "眼图" 时，AI 会自动检索并展示课本中的高清插图。
-
➗ 懂数学: 完美支持
$\int f(t)e^{-j\omega t}dt$ 等 LaTeX 公式渲染，拒绝乱码。 - 📖 结构化认知: 摒弃传统的机械切分，采用基于 Markdown 结构的 "章节/页码级" 切分，保留知识点的完整性。
- ⚡ 极速响应: 采用 "ETL 预处理 + JSON 缓存" 架构，Streamlit 启动仅需 1 秒。
- [重磅] 新增插图检索功能：实现了文本与图片的多模态关联，检索知识点时同步展示对应的课本插图。
- [数据] 数据源升级为 OCR 识别后的 Markdown 文件，保留了页码和图片引用信息。
- [算法] 弃用语义分割，改用基于正则表达式的 结构化切分 (Structure-based Chunking)，精准提取每一页的知识与图片。
- [UI] 界面升级，新增折叠式检索详情页，支持多图并排展示。
- [架构] 分离预处理与推理流程，引入 JSON 中间层。
- [优化] 引入 BGE-Small 中文嵌入模型。
- [基础] 解决 Word 文档公式乱码问题，确立 LaTeX 输出规范。
本项目如何从一个简单的 RAG 进化为图文 AI 助教：
点击展开查看开发日志
尝试直接读取 Word 文档，发现公式全乱，且无法处理图片。
- 教训：通用 Loader 不适合理工科教材。
使用 Semantic Chunking 试图让 AI 理解上下文。虽然效果不错，但计算量太大，且经常把“图片的描述”和“图片本身”切分开，导致无法检索图片。
为了保留《通信原理》中至关重要的波形图和电路图，我重构了整个 ETL 流程：
- 数据源变革：使用 OCR 工具将 PDF 转为带图片引用的 Markdown (
.md)。 - 自定义切分：编写
preprocess.py，利用正则!\[.*\]\(.*\)提取图片路径，并将其写入向量库的 Metadata 中。 - 渲染层改造：Streamlit 前端读取 Metadata 中的图片列表，使用
st.image动态渲染，实现了“检索文字 -> 召回元数据 -> 展示图片”的闭环。
/
├── app.py # Streamlit 主程序 (推理端)
├── preprocess.py # ETL 预处理脚本 (数据清洗)
├── knowledge_chunks.json # 预处理生成的知识库缓存
├── 通信原理概论_RAG_READY.md # OCR 识别后的原始课本文件
├── images_final/ # 课本插图文件夹 (必须与脚本同级)
│ ├── Page_7_Img_0.jpg
│ └── ...
└── requirements.txt # 依赖列表