最近 MCP（大模型上下文协议）比较火，花了点时间研究了下和 RAG 的协作架构，后续整理出心得后再发出。
言归正传，之前文章里详细介绍了 RAGFlow 的 Python api 用法，今天结合几篇法律法规文档来给大家做个简单演示，抛砖引玉。这篇主要介绍三个脚本示例，分别是：数据处理与系统配置，系统测试，参数优化脚本。这套自动化脚本相比 RAGFlow 的 Web 界面提供了三个关键优势：
自动化与效率：将需要人工数小时完成的操作缩减为几分钟的全自动流程
系统化与可重复：确保测试和优化过程的客观性、系统性和可重复性
可编程与可扩展：可以根据具体需求调整配置、测试方法和优化策略
这种类型的脚本可以被视为 RAGFlow 的"增强配套工具"，通过代码方式扩展了基础平台的能力，做深度业务场景适配时会灵活些。
源码已发布在知识星球内
1
数据处理与系统配置脚本
1.1
相比 web 界面优势
自动化流程处理
一键式配置：从数据集创建、文档上传到聊天助手配置的全流程自动化
批量处理能力：可以一次性处理整个目录的文档
流程控制：自动等待文档解析完成后再创建聊天助手，确保流程顺序合理
灵活性与可定制性
灵活参数调整：可以在代码中直接调整各种参数而无需在界面中逐一点击
条件处理：可以添加逻辑判断，根据不同情况执行不同操作
错误处理：内置错误处理机制，出现问题时提供更详细的信息
可复用性
环境复制：可以在不同环境中复用相同的配置脚本
版本控制：配置可以纳入代码版本控制系统，便于跟踪变更
标准化部署：确保不同实例使用完全相同的配置
集成能力
可与其他系统集成：作为更大工作流的一部分
计划任务：可以作为定时任务自动运行
与测试脚本衔接：可与测试脚本无缝衔接，自动完成配置和测试
1.2
目前实现的灵活配置
数据集配置:
自定义数据集名称和描述
配置使用的嵌入模型(BAAI/bge-m3)
使用专为法律文档设计的分块方法(chunk_method="laws")
文档处理:
支持多种文档格式(docx, doc, pdf, txt)的自动处理
批量上传文档
异步解析文档并监控进度
聊天助手配置:
自定义助手名称
关联到创建的法律法规数据集
1.3
可添加的其他配置选项
数据集高级配置
def create_legal_dataset(rag_object, dataset_name="法规知识库"): # 添加更多高级配置 dataset = rag_object.create_dataset( name=dataset_name, description="包含生物安全法等法律法规文档", embedding_model="BAAI/bge-m3", chunk_method="laws", permission="team", # 设置为团队可访问 parser_config={ "raptor": {"user_raptor": False} } # 为法律文档添加特定的解析器配置 ) return dataset文档元数据配置
def upload_documents_with_metadata(dataset, docs_path): documents = [] for filename in os.listdir(docs_path): if filename.endswith(('.docx', '.doc', '.pdf', '.txt')): file_path = os.path.join(docs_path, filename) with open(file_path, "rb") as f: blob = f.read() # 添加元数据 documents.append({ "display_name": filename, "blob": blob, "meta_fields": { "法律类型": "行政法规" if "条例" in filename else "法律", "颁布年份": filename.split("（")[1].split("）")[0] if "（" in filename else "未知", "效力级别": "国家级" } }) dataset.upload_documents(documents)文档解析自定义配置
def customize_document_parsing(dataset, doc_ids): # 获取文档并更新解析配置 for doc_id in doc_ids: docs = dataset.list_documents(id=doc_id) if docs: doc = docs[0] # 更新文档解析配置 doc.update({ "chunk_method": "laws", "parser_config": { "raptor": {"user_raptor": True} } }) # 然后解析文档 dataset.async_parse_documents(doc_ids)聊天助手高级配置
def create_legal_assistant(rag_object, dataset_id, assistant_name="法规助手"): # 创建具有高级配置的聊天助手 assistant = rag_object.create_chat( name=assistant_name, dataset_ids=[dataset_id], llm={ "model_name": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B", "temperature": 0.1, "top_p": 0.3, "presence_penalty": 0.2, "frequency_penalty": 0.7, "max_token": 1024 }, prompt={ "similarity_threshold": 0.2, # 设置相似度阈值 "keywords_similarity_weight": 0.7, # 关键词相似度权重 "top_n": 8, # 检索topN文档 "rerank_model": "BAAI/bge-reranker-v2-m3", # 使用重排序模型 "prompt": """你是一位专业的法律顾问，精通中国法律法规，尤其是生物安全法等相关法规。请基于检索到的法律条文，准确回答用户的问题。回答时请：1. 引用具体的法律条款编号2. 解释法律条文的含义3. 如有必要，说明条文之间的关联4. 保持客观，不要添加个人观点5. 如果检索结果不足以回答问题，请明确说明{knowledge}""" } ) return assistant多数据关联与权限管理
def setup_multiple_datasets(rag_object): # 创建多个专题数据集 datasets = [] topics = ["生物安全法", "传染病防治法", "野生动物保护法"] for topic in topics: dataset = rag_object.create_dataset( name=f"{topic}知识库", description=f"专门针对{topic}的法律法规解析", embedding_model="BAAI/bge-m3", chunk_method="laws", permission="team" # 团队共享 ) datasets.append(dataset) # 创建综合法律助手，关联所有数据集 dataset_ids = [dataset.id for dataset in datasets] assistant = create_legal_assistant(rag_object, dataset_ids, "综合法律法规顾问") return datasets, assistant上述这些高级配置可以根据实际需求进行组合和调整，不必拘泥于我的写法
2
系统测试脚本
自动生成不同类型的测试问题、收集系统回答、使用大模型评估回答质量、生成详细评估报告。
支持四种典型法律问题类型（直接引用类、概念解释类、场景应用类、跨条款关联类）的系统化测试。相比 Web 界面提供了更加好全面、客观的自动化测试与评估工具。
2.1
测试问题分类
设计了四种类型的测试问题：
直接引用类：询问特定条款的内容
概念解释类：询问法律中的概念定义
场景应用类：提出实际场景，询问适用的法律条款
跨条款关联类：需要综合多个条款回答的问题
2.2
评估指标
从五个维度评估回答质量：
准确性：回答是否引用了正确的法律条款
完整性：是否包含了所有相关条款
解释质量：对法律条文的解释是否清晰、准确
引用格式：是否正确引用了条款编号
总体评分：综合以上几点的总体评价
3
参数优化脚本
自动测试多种参数组合、创建临时测试助手、评估每种组合的性能、识别最佳配置方案。具体来说，大家可以试下初步探索相似度阈值、关键词权重、返回文档数量等不同的组合效果。
Web 界面相对而言，只能手动调整一组参数后进行主观评估，而使用这种类型的脚本可以自动比较多组参数效果。需要说明的是，这里列出的参数优化方案只是示例，大家可以根据具体业务需求进行灵活调整。
使用网格搜索方法，测试不同参数组合：
相似度阈值：[0.1, 0.15, 0.2, 0.25]
关键词权重：[0.6, 0.7, 0.8, 0.9]
返回条文数量：[8, 10, 12, 15]
4
其他
除了上述提到的参考技巧外，还可以测试不同的嵌入模型和重排序模型，以及结合自动评估和人工评估。
Anyway，设计一个符合特定文档结构特点以及业务目标的脚本组合，总是多快好省的。
